验证您的安装

确认TensorFlow已正确安装并在您的Python环境中可用非常重要。此验证步骤有助于确保代码示例按预期运行，并能让您检查特定的硬件加速功能，例如GPU支持。

TensorFlow基本导入与版本检查

验证您安装的最简单方法是尝试在Python解释器或脚本中导入TensorFlow库并打印其版本。

打开您的Python解释器（或创建一个新的Python脚本文件，例如 verify_tf.py）：

import tensorflow as tf

print(f"TensorFlow Version: {tf.__version__}")

执行此代码。如果TensorFlow已正确安装，您应该会看到类似以下内容的输出（具体版本号将取决于您的安装情况）：

TensorFlow Version: 2.1x.x

如果您遇到 ImportError 或 ModuleNotFoundError，这表明TensorFlow要么未在当前Python环境中安装，要么环境未正确激活。请仔细检查您的安装步骤，并确保您从安装TensorFlow的同一环境中（例如conda环境、virtualenv）运行Python。

执行一个简单操作

我们来执行一个基本的TensorFlow操作，以进一步确认功能是否正常。将以下行添加到您的脚本中，或输入到您的解释器中：

# 创建一个常量张量
hello = tf.constant("Hello, TensorFlow!")
print(hello.numpy())

# 执行一个简单的数学运算
a = tf.constant(2.0)
b = tf.constant(3.0)
c = a + b
print(f"Result of addition: {c.numpy()}")

运行此代码应生成以下输出：

b'Hello, TensorFlow!'
Result of addition: 5.0

tf.constant() 函数创建一个张量，它是TensorFlow中主要的数据结构。我们在这里使用 .numpy() 将张量的值转换为NumPy兼容的格式，以便于打印。看到正确的字符串和加法结果（5.0），这证实了TensorFlow的核心操作正在正常运行。

检查GPU可用性

如果您特意安装了支持GPU的TensorFlow版本，并且拥有兼容的NVIDIA GPU以及所需的驱动程序和CUDA工具包，您应该验证TensorFlow是否能检测和使用GPU。TensorFlow在合适的GPU上执行计算密集型操作时，速度明显快于CPU。

使用以下代码列出TensorFlow可以检测到的物理设备，特别是筛选出GPU：

import tensorflow as tf

gpus = tf.config.list_physical_devices('GPU')

if gpus:
  try:
    # 当前，内存增长需要在所有GPU上保持一致
    for gpu in gpus:
      tf.config.experimental.set_memory_growth(gpu, True)
    logical_gpus = tf.config.list_logical_devices('GPU')
    print(f"Detected {len(gpus)} Physical GPUs, Configured {len(logical_gpus)} Logical GPUs")
    print("GPU详细信息：")
    for i, gpu in enumerate(gpus):
        print(f"  GPU {i}: Name={gpu.name}, Type={gpu.device_type}")
  except RuntimeError as e:
    # 内存增长必须在GPU初始化之前设置
    print(f"Error during GPU configuration: {e}")
else:
  print("TensorFlow未检测到GPU。正在CPU上运行。")

# 验证操作的设备放置（可选）
with tf.device('/CPU:0'):
    cpu_tensor = tf.random.normal([10, 10])
    print("在CPU上创建了张量")

if gpus:
    try:
        with tf.device('/GPU:0'):
            gpu_tensor = tf.random.normal([10, 10])
            print("在GPU:0上创建了张量")
    except RuntimeError as e:
        print(f"Could not create tensor on GPU: {e}")

预期输出（有GPU时）：

如果找到兼容的GPU并正确配置，输出将类似这样：

检测到 1 个物理GPU，配置了 1 个逻辑GPU
GPU详细信息：
  GPU 0: Name=/physical_device:GPU:0, Type=GPU
在CPU上创建了张量
在GPU:0上创建了张量

GPU的数量及其名称可能因您的系统配置而异。tf.config.experimental.set_memory_growth(gpu, True) 这一行通常很重要，可以防止TensorFlow一次性分配所有GPU内存，从而允许其他进程（甚至多个TensorFlow进程）使用GPU。看到“在GPU上创建了张量”的消息，证实了GPU操作放置成功。

预期输出（无GPU或配置问题时）：

如果您安装了仅限CPU的版本、没有兼容的NVIDIA GPU，或者驱动程序/CUDA配置错误，您可能会看到：

TensorFlow未检测到GPU。正在CPU上运行。
在CPU上创建了张量

如果您期望有GPU支持但看到此消息，请重新查看“CPU与GPU考量”部分，并确保您的NVIDIA驱动程序、CUDA工具包和cuDNN库版本与您安装的TensorFlow版本兼容。强烈建议查阅TensorFlow官方安装指南，以获取具体的版本兼容性表格。

成功运行这些验证步骤表明您的TensorFlow环境已准备就绪。您现在可以继续查看TensorFlow的核心思想，例如张量和自动微分，在下一章中。