TensorFlow 安装与环境配置

一般安装步骤

安装 Python 环境。此处建议安装 Anaconda 的 Python 3.7 64 位版本（后文均以此为准），这是一个开源的 Python 发行版本，提供了一个完整的科学计算环境，包括 NumPy、SciPy 等常用科学计算库。当然，你有权选择自己喜欢的 Python 环境。Anaconda 的安装包可在 这里 获得。

使用 Anaconda 自带的 conda 包管理器建立一个 Conda 虚拟环境，并进入该虚拟环境。在命令行下输入：

conda create --name tf2 python=3.7      # “tf2”是你建立的conda虚拟环境的名字
conda activate tf2                      # 进入名为“tf2”的conda虚拟环境

使用 Python 包管理器 pip 安装 TensorFlow。在命令行下输入：

pip install tensorflow

等待片刻即安装完毕。

小技巧

也可以使用 conda install tensorflow 来安装 TensorFlow，不过 conda 源的版本往往更新较慢，难以第一时间获得最新的 TensorFlow 版本；

从 TensorFlow 2.1 开始，pip 包 tensorflow 即同时包含 GPU 支持，无需通过特定的 pip 包 tensorflow-gpu 安装 GPU 版本。如果对 pip 包的大小敏感，可使用 tensorflow-cpu 包安装仅支持 CPU 的 TensorFlow 版本。

在 Windows 下，需要打开开始菜单中的 “Anaconda Prompt” 进入 Anaconda 的命令行环境；

如果默认的 pip 和 conda 网络连接速度慢，可以尝试使用镜像，将显著提升 pip 和 conda 的下载速度（具体效果视您所在的网络环境而定）；

清华大学的 pypi 镜像：https://mirrors.tuna.tsinghua.edu.cn/help/pypi/

清华大学的 Anaconda 镜像：https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/
参考文章（清华镜像加速python库的安装）

如果对磁盘空间要求严格（比如服务器环境），可以安装 Miniconda ，仅包含 Python 和 Conda，其他的包可自己按需安装。Miniconda 的安装包可在 这里 获得。

如果在 pip 安装 TensorFlow 时出现了 “Could not find a version that satisfies the requirement tensorflow” 提示，比较大的可能性是你使用了 32 位（x86）的 Python 环境。请更换为 64 位的 Python。可以通过在命令行里输入 python 进入 Python 交互界面，查看进入界面时的提示信息来判断 Python 是 32 位（如 [MSC v.XXXX 32 bit (Intel)] ）还是 64 位（如 [MSC v.XXXX 64 bit (AMD64)] ）来判断 Python 的平台。

pip和conda包管理器

pip 是最为广泛使用的 Python 包管理器，可以帮助我们获得最新的 Python 包并进行管理。常用命令如下：

pip install [package-name]              # 安装名为[package-name]的包
pip install [package-name]==X.X         # 安装名为[package-name]的包并指定版本X.X
pip install [package-name] --proxy=代理服务器IP:端口号         # 使用代理服务器安装
pip install [package-name] --upgrade    # 更新名为[package-name]的包
pip uninstall [package-name]            # 删除名为[package-name]的包
pip list                                # 列出当前环境下已安装的所有包

conda 包管理器是 Anaconda 自带的包管理器，可以帮助我们在 conda 环境下轻松地安装各种包。相较于 pip 而言，conda 的通用性更强（不仅是 Python 包，其他包如 CUDA Toolkit 和 cuDNN 也可以安装），但 conda 源的版本更新往往较慢。常用命令如下：

conda install [package-name]        # 安装名为[package-name]的包
conda install [package-name]=X.X    # 安装名为[package-name]的包并指定版本X.X
conda update [package-name]         # 更新名为[package-name]的包
conda remove [package-name]         # 删除名为[package-name]的包
conda list                          # 列出当前环境下已安装的所有包
conda search [package-name]         # 列出名为[package-name]的包在conda源中的所有可用版本

conda 中配置代理：在用户目录下的 .condarc 文件中添加以下内容：

proxy_servers:
    http: http://代理服务器IP:端口号

Conda虚拟环境

在 Python 开发中，很多时候我们希望每个应用有一个独立的 Python 环境（比如应用 1 需要用到 TensorFlow 1.X，而应用 2 使用 TensorFlow 2.0）。这时，Conda 虚拟环境即可为一个应用创建一套 “隔离” 的 Python 运行环境。使用 Python 的包管理器 conda 即可轻松地创建 Conda 虚拟环境。常用命令如下：

conda create --name [env-name]      # 建立名为[env-name]的Conda虚拟环境
conda activate [env-name]           # 进入名为[env-name]的Conda虚拟环境
conda deactivate                    # 退出当前的Conda虚拟环境
conda env remove --name [env-name]  # 删除名为[env-name]的Conda虚拟环境
conda env list                      # 列出所有Conda虚拟环境

GPU 版本 TensorFlow 安装指南

GPU 版本的 TensorFlow 可以利用 NVIDIA GPU 强大的计算加速能力，使 TensorFlow 的运行更为高效，尤其是可以成倍提升模型训练的速度。

在安装 GPU 版本的 TensorFlow 前，你需要具有一块不太旧的 NVIDIA 显卡，以及正确安装 NVIDIA 显卡驱动程序、CUDA Toolkit 和 cuDNN。

GPU 硬件的准备

TensorFlow 对 NVIDIA 显卡的支持较为完备。对于 NVIDIA 显卡，要求其 CUDA Compute Capability 须不低于 3.5，可以到 NVIDIA 的官方网站 查询自己所用显卡的 CUDA Compute Capability。目前，AMD 的显卡也开始对 TensorFlow 提供支持。

NVIDIA 驱动程序的安装

Windows

Windows 环境中，如果系统具有 NVIDIA 显卡，则往往已经自动安装了 NVIDIA 显卡驱动程序。如未安装，直接访问 NVIDIA 官方网站 下载并安装对应型号的最新公版驱动程序即可。
至于Linux和Ubuntu 等系统，请自行查阅资料。

CUDA Toolkit 和 cuDNN 的安装

在 Anaconda 环境下，推荐使用

conda install cudatoolkit=X.X
conda install cudnn=X.X.X

安装 CUDA Toolkit 和 cuDNN，其中 X.X 和 X.X.X 分别为需要安装的 CUDA Toolkit 和 cuDNN 版本号，必须严格按照 TensorFlow 官方网站所说明的版本 安装。例如，对于 TensorFlow 2.1，可使用:

conda install cudatoolkit=10.1
conda install cudnn=7.6.5

在安装前，可使用 conda search cudatoolkit 和 conda search cudnn 搜索 conda 源中可用的版本号。

当然，也可以按照 TensorFlow 官方网站上的说明 手动下载 CUDA Toolkit 和 cuDNN 并安装，不过过程会稍繁琐。
可参考博文（tensorflow各个版本的CUDA以及Cudnn版本对应关系）。

安装后的第一个程序

当然，看安装正常与否，是测试代码是否能正常运行，安装完毕后，我们来编写一个简单的程序来验证安装。
在命令行下输入 conda activate tf2 进入之前建立的安装有 TensorFlow 的 Conda 虚拟环境，再输入jupyter notebook进入 jupyter 中（jupyter在新版anaconda中都自带的有，如果没有就conda install jupyter notebook安装，更改其默认起始目录见，windows下设置JupyterNotebook默认目录），逐行输入以下代码：

import tensorflow as tf

A = tf.constant([[1, 2], [3, 4]])
B = tf.constant([[5, 6], [7, 8]])
C = tf.matmul(A, B)

print(C)

如果能够最终输出:

tf.Tensor(
[[19 22]
[43 50]], shape=(2, 2), dtype=int32)

说明 TensorFlow 已安装成功。运行途中可能会输出一些 TensorFlow 的提示信息，属于正常现象。

导入TensorFlow时部分可能出现的错误信息及解决方案

如果你在 Windows 下安装了 TensorFlow 2.1 正式版，可能会在导入 TensorFlow 时出现 DLL 载入错误 。此时安装 Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017 and 2019 即可正常使用。

如果你的 CPU 年代比较久远或型号较为低端（例如，英特尔的 Atom 系列处理器），可能会在导入 TensorFlow 时直接崩溃。这是由于 TensorFlow 在版本 1.6 及之后，在官方编译版本中默认加入了 AVX 指令集。如果你的 CPU 不支持 AVX 指令集就会报错（你可以在 Windows 下使用 CPU-Z，或在 Linux 下使用 cat /proc/cpuinfo 查看当前 CPU 的指令集支持）。此时，建议结合自己的软硬件环境，使用社区编译版本进行安装，例如 GitHub 上的 yaroslavvb/tensorflow-community-wheels 。截至 2020 年 6 月，这个 Issue 里包含了去除 AVX 后，Ubuntu 下编译的最新版 TensorFlow。如果你的动手能力较强，也可以考虑在自己的平台下重新编译 TensorFlow。

学习python语言的基础可以看“老男孩教育”的视频，B站上有，可以配套看《Python快速入门神器》

IDE 设置

对于机器学习的研究者和从业者，建议使用 PyCharm 作为 Python 开发的 IDE。

在新建项目时，你需要选定项目的 Python Interpreter，也就是用怎样的 Python 环境来运行你的项目。在安装部分，你所建立的每个 Conda 虚拟环境其实都有一个自己独立的 Python Interpreter，你只需要将它们添加进来即可。选择 “Add”，并在接下来的窗口选择 “Existing Environment”，在 Interpreter 处选择 Anaconda安装目录/envs/所需要添加的Conda环境名字/python.exe （Linux 下无 .exe 后缀）并点击 “OK” 即可。如果选中了 “Make available to all projects”，则在所有项目中都可以选择该 Python Interpreter。注意，在 Windows 下 Anaconda 的默认安装目录比较特殊，一般为 C:\Users\用户名\Anaconda3\ 或 C:\Users\用户名\AppData\Local\Continuum\anaconda3 。此处 AppData 是隐藏文件夹。