wheels
wheels 是一个专为提升 TensorFlow 运行效率而打造的开源项目，提供经过深度优化的预编译安装包。许多开发者在使用官方默认安装的 TensorFlow 时，常会遇到系统提示"CPU 支持 AVX、SSE 等指令集，但当前库未编译使用”的警告，这意味计算资源未被充分利用，导致模型训练和推理速度受限。wheels 正是为了解决这一痛点而生，它针对主流 CPU 架构开启了 SSE、AVX、FMA 等高级指令集支持，并集成了 XLA 加速与 MPI 分布式训练功能，从而显著释放硬件潜能，加快计算速度。
该项目主要面向机器学习开发者、数据科学家及 AI 研究人员，特别是那些希望在 Linux 环境（如 Ubuntu）或特定云平台上最大化利用本地算力的人群。无论是进行大规模的深度学习模型训练，还是对推理延迟敏感的部署场景，安装 wheels 提供的版本都能带来更流畅的体验。其独特亮点在于提供了极其丰富的构建选项，涵盖从 TensorFlow 1.1 到后续多个版本的 CPU 与 GPU 变体，甚至包括针对不同 CUDA 版本、macOS 平台以及调试模式的定制包。用户无需再经历繁琐的源码编译过程，只需通过简单的 pip 命令即可获取性能更强的 TensorFlow 环境，让算法研发更加高效专注。
使用场景
某算法工程师在 Ubuntu 服务器上部署基于 CPU 的 TensorFlow 模型进行大规模数据推理时，发现官方默认安装包未充分利用硬件指令集。
没有 wheels 时
- 终端频繁弹出警告信息，提示"CPU 支持 AVX、AVX2、FMA 等指令，但当前 TensorFlow 二进制文件未编译使用”，干扰日志查看。
- 由于无法调用 CPU 的高级向量扩展指令，矩阵运算仅能使用基础指令集，导致推理耗时比理论峰值慢 30% 以上。
- 面对性能瓶颈，开发者需自行下载源码、配置复杂的编译环境（如 Bazel）并花费数小时重新编译 TensorFlow，维护成本极高。
- 在多节点集群调试时，因缺乏预编译的 MPI 优化版本，分布式训练的配置与同步效率低下，难以快速验证算法效果。
使用 wheels 后
- 安装专为平台优化的 wheels 包后，启动时不再出现任何指令集缺失警告，运行日志清晰整洁，便于监控真实业务逻辑。
- 自动启用 SSE4.1/4.2、AVX、AVX2 及 FMA 等硬件加速指令，CPU 计算吞吐量显著提升，同等数据量下的推理时间大幅缩短。
- 无需本地编译，直接通过 pip 链接即可一键安装针对 Ubuntu 优化的预构建版本，将环境部署时间从数小时压缩至几分钟。
- 直接选用集成 MPI 支持的 GPU/CPU 版本，轻松实现多机分布式训练加速，快速迭代模型策略。
wheels 通过提供预编译的硬件指令集优化版本，让开发者无需复杂编译即可释放 CPU 全部算力，显著降低部署门槛并提升推理效率。
运行环境要求
- Linux
- macOS
- GPU 版本需要 NVIDIA GPU
- 具体 CUDA 版本取决于 TensorFlow 版本：TF 1.4/1.4.1/1.5/1.6/1.7 主要支持 CUDA 8, 9, 9.1
- cuDNN 7.1 (针对 TF 1.7)
- 未明确说明显存大小要求，但需兼容对应的计算能力 (Compute Capability)，如 3.7, 6.0, 7.0 等
未说明
快速开始
经过优化的 TensorFlow 轮子包
针对 TensorFlow 的自定义构建，包含了 SSE、AVX 和 FMA 等平台优化。如果您在使用官方 pip install tensorflow 时遇到类似以下提示，那么您来对地方了。
TensorFlow 库未编译为使用 AVX 指令，但您的机器支持这些指令，启用它们可以加速 CPU 计算。
TensorFlow 库未编译为使用 AVX2 指令，但您的机器支持这些指令，启用它们可以加速 CPU 计算。
TensorFlow 库未编译为使用 SSE4.1 指令，但您的机器支持这些指令，启用它们可以加速 CPU 计算。
TensorFlow 库未编译为使用 SSE4.2 指令，但您的机器支持这些指令，启用它们可以加速 CPU 计算。
或者：
您的 CPU 支持此 TensorFlow 二进制文件未编译使用的指令：SSE4.1、SSE4.2、AVX、AVX2、FMA。
这些轮子包专为云机器学习平台 TinyMind 构建。如果您想在自己的 Linux 服务器（Ubuntu 16.04 LTS）上安装它们，可以使用以下命令：
# RELEASE 是类似 tf1.1-cpu 的 Git 标签，WHEEL 是完整的轮子包名称。
pip --no-cache-dir install https://github.com/mind/wheels/releases/download/{RELEASE}/{WHEEL}
所有轮子包的列表可以在 发布页面 中找到。
版本信息
点击下方链接可跳转至特定版本的发布页面。请注意，除非另有说明，这些版本均基于 Ubuntu 16.04 LTS 构建。
| TF | 构建 |
|---|---|
| 1.1 | CPU, GPU |
| 1.2 | CPU, GPU（仅 Python 3.6） |
| 1.2.1 | CPU, GPU |
| 1.3 | CPU, 带 MPI 的 GPU |
| 1.3.1 | CPU, CPU 调试版, GPU, 带 MPI 的 GPU |
| 1.4 | CPU, CPU 调试版, macOS 版 CPU, GPU（CUDA 8, 适用于 Compute 3.7 的 CUDA 9, 适用于 Compute 3.7/6.0/7.0 的 CUDA 9, 通用 CUDA 9, 不带 MKL 的 CUDA 9） |
| 1.4.1 | CPU, GPU（CUDA 8, CUDA 9, CUDA 9.1） |
| 1.5 | CPU, GPU（CUDA 9, 不带 MKL 的 CUDA 9, CUDA 9.1, 不带 MKL 的 CUDA 9.1） |
| 1.6 | CPU, GPU（CUDA 9.1, 不带 MKL 的 CUDA 9.1） |
| 1.7 | CPU, GPU（不带 MKL 的 CUDA 9, CUDA 9.1，cuDNN 7.1） |
请注意，您的机器需要配备相对较新的 Intel CPU（以及 Nvidia GPU，如果您使用 GPU 版本），才能与以下轮子包兼容。如果硬件较旧，这些轮子包将无法正常工作。
TensorFlow 1.4.1 及更高版本的轮子包包含对 GCP、S3 和 Hadoop 的支持。编译标志包括：
--config=opt --config=cuda --cxxopt=-D_GLIBCXX_USE_CXX11_ABI=0 --copt=-mavx --copt=-msse4.1 --copt=-msse4.2 --copt=-mavx2 --copt=-mfma --copt=-mfpmath=both
您最可能需要的轮子包列于下方。如果您有特殊需求或发现某个轮子包无法正常使用，请提交问题。（遗憾的是，我们无法满足 Windows 轮子包的需求，因为我们自身并没有 Windows 机器。）
帮助！
本节包含调试您设置的技巧。不过说真的，试试 TinyMind 吧，您就再也不用浪费时间调试了！我们还提供了可在您自己的机器上使用的 Docker 镜像。如果本节未能解决您的问题，请务必提交一个问题。
CUDA
不同版本的 TensorFlow 支持或要求不同的 CUDA 版本：
| TF | CUDA | cuDNN | 计算能力 |
|---|---|---|---|
| 1.1, 1.2 | 8.0 | 5.1 | 3.7 (K80) |
| 1.2.1-1.3.1 | 8.0 | 6.0 | 3.7 |
| 1.4 | 8.0/9.0 | 6.0/7.0 | 3.7, 6.0 (P100), 7.0 (V100) |
| 1.4.1 | 8.0/9.0/9.1 | 6.0/7.0 | 3.7, 6.0, 7.0 |
| 1.5 | 9.0/9.1 | 7.0 | 3.7, 6.0, 7.0 |
| 1.6 | 9.1 | 7.0 | 3.7, 6.0, 7.0 |
| 1.7 | 9.0/9.1 | 7.0/7.1 | 3.7, 6.0, 7.0 |
TensorFlow < 1.4 不支持当前版本的 CUDA 9。因此，不要使用 sudo apt-get install cuda，而应使用 sudo apt-get install cuda-8-0。TensorFlow 1.4 的 CUDA 8 版本搭配 cuDNN 6.0，而 CUDA 9.x 版本则搭配 cuDNN 7.x。
# 安装 CUDA 8
curl -O http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_8.0.61-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1604_8.0.61-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda-8-0
# 安装 CUDA 9
curl -O http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_9.0.176-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1604_9.0.176-1_amd64.deb
sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda
请确保正确设置与 CUDA 相关的环境变量：
echo 'export CUDA_HOME=/usr/local/cuda' >> ~/.bashrc
echo 'export PATH=$PATH:$CUDA_HOME/bin' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CUDA_HOME/lib64' >> ~/.bashrc
. ~/.bashrc
下载正确的 cuDNN，并按以下步骤安装：
# 解压 cuDNN 压缩包
tar xzvf cudnn-9.0-linux-x64-v7.0.tgz
sudo cp cuda/lib64/* /usr/local/cuda/lib64/
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
如果缺少 libcupti 库，请安装并将其添加到 PATH 中：
sudo apt-get install libcupti-dev
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/extras/CUPTI/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
TensorRT
某些预编译轮子支持 TensorRT。要安装 TensorRT，首先从 NVIDIA 官网 下载，然后运行：
sudo dpkg -i nv-tensorrt-repo-ubuntu1604-ga-cuda9.0-trt3.0.4-20180208_1-1_amd64.deb
sudo apt-get update
sudo apt-get install tensorrt
MKL
MKL 是 Intel 的深度学习内核库，它能显著加快在 CPU 上训练神经网络的速度。如果没有安装，可以按照以下步骤进行安装：
# 如果没有 cmake
sudo apt install cmake
git clone https://github.com/01org/mkl-dnn.git
cd mkl-dnn/scripts && ./prepare_mkl.sh && cd ..
mkdir -p build && cd build && cmake .. && make
sudo make install
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib' >> ~/.bashrc
Glibc 2.23
请注意，Ubuntu 16.04 LTS 是推荐的运行环境。如果你使用的是较旧的操作系统，可能会遇到旧版 glibc 的问题。你可以查看 此处的讨论 以获取帮助。
MPI
如果你使用的轮子支持 MPI，请务必运行 sudo apt-get install mpich。
版本历史
tf1.14-cpu-mkl2019/07/15tf1.13-gpu-cuda10-tensorrt2019/03/01tf1.13-cpu-mkl2019/03/01tf1.12-cpu-mkl2019/01/04tf1.11-cpu-mkl2019/01/04tf1.12-gpu-cuda10-tensorrt2018/12/29tf1.12-gpu-cuda102018/12/29tf1.11-gpu-cuda102018/12/29tf1.11-gpu-cuda10-tensorrt2018/12/29tf1.10-gpu-cuda102018/12/29tf1.10-gpu-cuda10-tensorrt2018/12/29tf1.10-gpu-nomkl2018/12/25tf1.10-cpu2018/12/24tf1.9-GPU-nomkl2018/12/24tf1.9-cpu2018/12/24tf1.8-gpu-cuda91-nomkl2018/05/03tf1.8-gpu-nomkl2018/05/03tf1.8-cpu2018/05/01tf1.8-cpu-mkl2018/04/30tf1.7-gpu-nomkl2018/04/30常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。