配置开发环境

在安装 TensorFlow 之前，强烈建议创建一个独立的 Python 环境。这可以避免不同项目所需的包依赖冲突。实现此目的的两个常用工具是 venv（Python 内置）和 conda（Anaconda/Miniconda 发行版的一部分）。使用这些工具能确保 TensorFlow 及其特定依赖项不会影响你系统上的其他 Python 项目。

使用虚拟环境 (venv)

venv 是 Python 用于创建轻量级虚拟环境的标准工具。如果你主要使用 pip 进行包管理，venv 通常足够了。

1. 创建虚拟环境： 在终端中进入项目目录，运行：

   python -m venv tf_env
   

   这会创建一个名为 tf_env 的目录（你可以选择任何名称），目录里有 Python 解释器的副本以及安装库的位置。

2. 激活环境：

   • 在 macOS 和 Linux 上：

     source tf_env/bin/activate
     

   • 在 Windows 上：

     .\tf_env\Scripts\activate
     

   你的终端提示符会改变，表明虚拟环境已激活（例如，(tf_env) $）。现在，安装的任何包都将放在此独立环境中。

使用 Conda 环境

Conda 既是包管理器也是环境管理器。如果你处理数据科学库或需要管理非 Python 依赖项（如用于 GPU 支持的 CUDA 工具包），它特别有用。如果你没有 Conda，可以通过 Anaconda 或更小的 Miniconda 来安装。

1. 创建 Conda 环境： 打开终端并运行：

   conda create --name tf_env python=3.9
   

   将 tf_env 替换为你想要的环境名称，并指定一个 Python 版本（例如，3.9、3.10、3.11 通常受最新 TensorFlow 版本支持；请查看 TensorFlow 官方文档以了解当前兼容性）。Conda 会提示你确认要安装的包。

2. 激活环境：

   conda activate tf_env
   

   你的终端提示符会改变，显示当前激活的环境名称（例如，(tf_env) $）。

安装 TensorFlow

一旦你选择的环境（venv 或 conda）已激活，你就可以安装 TensorFlow 了。

使用 pip（在激活的 venv 或 conda 环境中）：

标准的 TensorFlow 包支持 CPU 和 GPU 执行（在安装了必要驱动的兼容硬件上）。

pip install tensorflow

此命令会下载并安装 Python Package Index (PyPI) 上可用的最新稳定版 TensorFlow。如果你有兼容的 NVIDIA GPU 和所需的 NVIDIA 软件（CUDA 工具包和 cuDNN 库），TensorFlow 通常会自动使用 GPU。我们会在下一节讨论 GPU 配置的细节。

如果你遇到问题或需要特定版本，可以指定它：

pip install tensorflow==2.15.0 # 示例：安装版本 2.15.0

使用 conda（在激活的 conda 环境中）：

使用 conda 安装 TensorFlow，特别是用于 GPU 时，有时可以简化 CUDA 依赖项的管理。通常建议从 conda-forge 频道安装，以获取最新包。

• 对于仅限 CPU 的版本：

  conda install -c conda-forge tensorflow
  

• 对于启用 GPU 的版本： Conda 会尝试在安装 TensorFlow 的同时安装必要的 CUDA 工具包组件。具体命令可能因 TensorFlow 和 CUDA 版本而略有不同，但通常涉及指定与 GPU 相关的包。一种常见做法是：

  conda install -c conda-forge tensorflow-gpu # 或特定版本，检查 conda-forge 列表
  

  另外，从 conda-forge 安装基本的 tensorflow 包，如果检测到兼容的硬件驱动，它可能会像 pip 那样自动引入 GPU 依赖项。

  conda install -c conda-forge tensorflow
  

  此外，成功启用 GPU 支持不只涉及 TensorFlow 包的安装。驱动和工具包的兼容性很重要，具体内容在“CPU 与 GPU 的考量”部分有详细说明。

选择 pip 还是 conda 通常取决于个人偏好和项目要求。venv + pip 对 Python 来说是轻量级且标准的方式，而 conda 则能更好地管理复杂依赖项，这在科学计算和管理 GPU 库时尤其常见。

在已激活的环境中安装好 TensorFlow 后，下一步是验证安装并检查 TensorFlow 是否可以识别你的硬件，这将在下一节中介绍。