之前 写过一篇在 ubuntu 下安装 TensorFlow 的教程，那个时候 TensorFlow 官方还不支持 Windows 系统，虽然可以通过其他方法安装，但是终究不是原生的，而且安装过程繁琐易错。好消息是，Google官方在11月29号的开发者博客中宣布新的版本（0.12）将 增加对Windows的支持，我11月30号知道的，立马就安装试了试，安装过程非常简单，不过也有一些需要手动调整。

更新
这里我会列出对本文的更新。
2017 年 3 月 1 日：cuDNN 版本从 5.0 升级到 5.1 版本，更新 cuda 和 cudnn 下载地址。
2017 年 3 月 20 日：标记 安装前准备 中的第五条 确保你安装了 VS2015 或者 2013 或者 2010。 为存疑。这是我之前在 TensorFlow 官网看到的，但是现在去翻了翻找不到了。如果有同学没有安装 VS 就把 TensorFlow 安装成功了的话，请在下方评论区说明下，到时候我会将这个要求标记为删除。谢谢。
2017 年 3 月 26 日：更新 TensorFlow 安装命令。
2017 年 4 月 18 日：
安装前准备  第五条标记为删除，经过我再次试验发现不需要 VS 的支持。
增加问题 Cannot remove entries from nonexistent file 的解决办法。

2017 年 7 月 20 日：增加问题 ImportError: DLL load failed: 找不到指定的模块。 、ImportError: No module named '_pywrap_tensorflow_internal' 和 ImportError: No module named 'tensorflow.python.pywrap_tensorflow_internal 的时候` 的解决办法。
2017 年 7 月 31日：更新关于 Python 版本的说明，TensorFlow 从 1.2 开始在 Windows 上支持 Python 3.6。感谢评论区 @Vince_Ace 提供的信息。
2017 年 8 月 20 日：TensorFlow 1.3 发布，更新 cuDNN 版本说明。感谢评论区 @myseth1023 提供的信息。
2017 年 8 月 21 日：删除 安装cuDNN 中容易误导人的部分（关于添加环境变量）。
2018 年 3 月 12 日：TensorFlow 1.6 发布，更新相关说明，详细发布说明参考 Release TensorFlow 1.6.0。
2018 年 3 月 18 日：增加问题 #4 及其解决办法。
2019 年 4 月 5 日：增加问题 #5 及其解决办法（针对 TensorFlow 1.13）。
2019 年 10 月 14 日：TensorFlow 2.0 正式版 发布，更新相关说明和对应测试代码。详细发布说明参考 Release TensorFlow 2.0。关于 TensorFlow 2.0 的新变化，我最近写一篇文章来专门说一说，写好后更新在这里。
2020 年 11 月 10 日：增加 conda 安装方式。
话题终结者
大部分情况下，优先尝试用 conda，尤其是安装 GPU 版。conda 会自动帮你下载对应 cuda 和 cudnn，帮你处理依赖，真正的一键安装。
conda install tensorflow-gpu  # GPU
conda install tensorflow  # CPU

如果 conda 安装出现错误或其他情况（conda 也是有一定几率出错的，而且conda 上一般版本更新较为滞后），考虑用 docker，最后再考虑下面的本地安装方式。
安装前准备
TensorFlow 有两个版本：CPU 版本和 GPU 版本。GPU 版本需要 CUDA 和 cuDNN 的支持，CPU 版本不需要。如果你要安装 GPU 版本，请先确认你的显卡支持 CUDA。我安装的是 GPU 版本，采用 pip 安装方式，所以就以 GPU 安装为例，CPU 版本只不过不需要安装 CUDA 和 cuDNN。
在 这里 确认你的显卡支持 CUDA。
确保你的 Python 版本是 3.5 64 位及以上。（TensorFlow 从 1.2 开始支持 Python 3.6，之前的官方是不支持的）
确保你有稳定的网络连接。
确保你的 pip 版本 >= 8.1。用 pip -V 查看当前 pip 版本，用 python -m pip install -U pip 升级pip 。
确保你安装了 VS2015 或者 2013 或者 2010。此条非必须，删除。
此外，建议安装 Anaconda，因为这个集成了很多科学计算所必需的库，能够避免很多依赖问题，安装教程可以参考 这里。
以上条件符合，那么恭喜你可以开始下载 CUDA 和 cuDNN 的安装包了，注意版本号会由于 TensorFlow 不同版本有变化，此处请结合下面的安装 CUDA 和安装 cuDNN 说明）。
安装 TensorFlow
由于 Google 那帮人已经把 TensorFlow 打成了一个 pip 安装包，所以现在可以用正常安装包的方式安装 TensorFlow 了，就是进入命令行执行下面这一条简单的语句：
# GPU版本
pip3 install --upgrade tensorflow-gpu

# CPU版本
pip3 install --upgrade tensorflow

然后就开始安装了，速度视网速而定。
安装网之后你试着在 Python 中import tensorflow会告诉你没有找到 CUDA 和 cuDNN，所以下一步就是安装这两个东西。
安装 CUDA

TensorFlow 1.6：CUDA 9.0
TensorFlow 1.13.1：CUDA 10.0
TensorFlow 2.0：CUDA 10.0

这个也是很简单的，首先根据上面的版本去官网下载对应的安装包（~ 1.4 GB）。下载完那个 exe 文件就是 CUDA 的安装程序，直接双击执行就可以了，就像安装正常的其他软件一样，安装过程屏幕可能会闪烁，不要紧，而且安装时间有点长。
安装完之后系统变量会自动为你添加上，这个不用管。
测试一下是否安装成功，命令行输入 nvcc -V ，看到版本信息就表示安装成功了。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-K9Ioxbgh-1571047832039)(https://i.imgur.com/Qjk8FSf.png)]
安装 cuDNN

TensorFlow 1.6：cuDNN 7.0
TensorFlow 1.13.1：cuDNN >= 7.4.1
TensorFlow 2.0：cuDNN >= 7.4.1

首先去官网下载对应版本的安装包（~ 173 MB）。其实这个是一个压缩包，解压放到任何一个目录下就行，然后把其中的bin目录路径添加到Path环境变量里。
比如说我下载解压后放到了下图的 cuda 文件夹：

Path环境变量：

如果你已经安装了 cuDNN 5.0 ，那么升级 cuDNN 的方法可以参考 这里 。
然后 import tensorflow 应该就成功了。
测试
TF 1.X 版本
用一个简单的矩阵乘法测试一下，
import tensorflow as tf

a = tf.random_normal((100, 100))
b = tf.random_normal((100, 500))
c = tf.matmul(a, b)
sess = tf.InteractiveSession()
sess.run(c)


看不清的话可以右键在新标签页打开图片查看大图
TF 2.X
TF2 不再需要 session，像 numpy 一样直接运行即可：
import tensorflow as tf

print(f"tensorflow version = {tf.__version__}", end='\n\n')

a = tf.random.normal((100, 100))
b = tf.random.normal((100, 100))
c = tf.linalg.matmul(a, b)
c_numpy = c.numpy()  # 可以使用 .numpy() 变成 numpy array 形式

print(c, end='\n\n')
print(c_numpy)


Issues
#1 Cannot remove entries from nonexistent file
如果在安装 TensorFlow 的时候出现类似 Cannot remove entries from nonexistent file c:\users\li\anaconda3\lib\site-packages\easy-install.pth 的错误，那么可以参考 Cannot remove entries from nonexistent #622 和 osx 10.11 installation issues #135，里面说了好多种解决办法，我在这里介绍一种方法：在 pip3 install --upgrade tensorflow-gpu 之前先执行 pip install --upgrade --ignore-installed setuptools 。
#2 ImportError: DLL load failed: 找不到指定的模块。 和 ImportError: No module named '_pywrap_tensorflow_internal'

右键在新标签页打开图片查看大图

右键在新标签页打开图片查看大图

右键在新标签页打开图片查看大图
如果在 import tensorflow 的时候这两个问题同时出现，那么很有可能是你的 cuda 和 cudnn 版本有问题，例如你的 cuda 版本是 8.0.60，而正确的是 8.0.44，重新安装正确的版本（文章里提供的）就可以。参考 On Windows, running “import tensorflow” generates No module named “_pywrap_tensorflow” error 。感谢 @qq_27690673 提供的信息。
#3 ImportError: No module named 'tensorflow.python.pywrap_tensorflow_internal'

右键在新标签页打开图片查看大图
如果在 import tensorflow 的时候出现此问题，那么你可能是在 tensorflow 的源码目录里进入了 python 解释器。离开该目录重新进入 python 解释器即可。
#4 ImportError: DLL load failed: 动态链接库(DLL)初始化例程失败 和 ModuleNotFoundError: No module named '_pywrap_tensorflow_internal'
以下报错信息参考自 import tensorflow failed, “ImportError: DLL load failed”. Even after install visual studio 2015, Microsoft Visual C++ 2015 Redistributable Update 3. · Issue #17393 · tensorflow/tensorflow：
Traceback (most recent call last):
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 18, in swig_import_helper
    return importlib.import_module(mname)
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\importlib\__init__.py", line 126, in import_module
    return _bootstrap._gcd_import(name[level:], package, level)
  File "<frozen importlib._bootstrap>", line 994, in _gcd_import
  File "<frozen importlib._bootstrap>", line 971, in _find_and_load
  File "<frozen importlib._bootstrap>", line 955, in _find_and_load_unlocked
  File "<frozen importlib._bootstrap>", line 658, in _load_unlocked
  File "<frozen importlib._bootstrap>", line 571, in module_from_spec
  File "<frozen importlib._bootstrap_external>", line 922, in create_module
  File "<frozen importlib._bootstrap>", line 219, in _call_with_frames_removed
ImportError: DLL load failed: 动态链接库(DLL)初始化例程失败。

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 58, in <module>
    from tensorflow.python.pywrap_tensorflow_internal import *
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 21, in <module>
    _pywrap_tensorflow_internal = swig_import_helper()
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 20, in swig_import_helper
    return importlib.import_module('_pywrap_tensorflow_internal')
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\importlib\__init__.py", line 126, in import_module
    return _bootstrap._gcd_import(name[level:], package, level)
ModuleNotFoundError: No module named '_pywrap_tensorflow_internal'

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\__init__.py", line 24, in <module>
    from tensorflow.python import *
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\__init__.py", line 49, in <module>
    from tensorflow.python import pywrap_tensorflow
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 74, in <module>
    raise ImportError(msg)
ImportError: Traceback (most recent call last):
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 18, in swig_import_helper
    return importlib.import_module(mname)
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\importlib\__init__.py", line 126, in import_module
    return _bootstrap._gcd_import(name[level:], package, level)
  File "<frozen importlib._bootstrap>", line 994, in _gcd_import
  File "<frozen importlib._bootstrap>", line 971, in _find_and_load
  File "<frozen importlib._bootstrap>", line 955, in _find_and_load_unlocked
  File "<frozen importlib._bootstrap>", line 658, in _load_unlocked
  File "<frozen importlib._bootstrap>", line 571, in module_from_spec
  File "<frozen importlib._bootstrap_external>", line 922, in create_module
  File "<frozen importlib._bootstrap>", line 219, in _call_with_frames_removed
ImportError: DLL load failed: 动态链接库(DLL)初始化例程失败。

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 58, in <module>
    from tensorflow.python.pywrap_tensorflow_internal import *
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 21, in <module>
    _pywrap_tensorflow_internal = swig_import_helper()
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 20, in swig_import_helper
    return importlib.import_module('_pywrap_tensorflow_internal')
  File "C:\Users\sss\AppData\Local\Programs\Python\Python36\lib\importlib\__init__.py", line 126, in import_module
    return _bootstrap._gcd_import(name[level:], package, level)
ModuleNotFoundError: No module named '_pywrap_tensorflow_internal'


Failed to load the native TensorFlow runtime.

See https://www.tensorflow.org/install/install_sources#common_installation_problems

for some common reasons and solutions.  Include the entire stack trace
above this error message when asking for help.

新版本的 TensorFlow（1.6）会出现此问题，根据 TensorFlow 1.6.0 的发布说明，该版本会使用 AVX 指令，所以可能会在旧 CPU 上不能运行：

Prebuilt binaries will use AVX instructions. This may break TF on older CPUs.

参考 Tensorflow 1.6.0 cpu fails on import on Windows 10 · Issue #17386 · tensorflow/tensorflow 的讨论，有两种解决办法：
使用旧版 TensorFlow，比如你可以使用 pip install tensorflow==1.5 来安装 1.5 版本，安装之前最好卸载 1.6 的。
使用 @fo40225 提供的重新编译好的版本。
感谢 @qq_41568117 提供的反馈。
#5 No module named 'numpy.core._multiarray_umath'、numpy.core.multiarray failed to import 和 numpy.core.umath failed to import
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-80XaFcdM-1571047832048)(https://i.imgur.com/jeN5YvA.png)]
这是由于 numpy 版本较低，升级版本即可：
$ pip install -U numpy

END

Anaconda 可以使tensorflow的安装变的简单
昨天tensorflow 开发者大会刚开完，会上发布了关于 TensorFlow 2.0，TensorFlow Lite，TensorFlow.js，Swift for TensorFlow，TFX 等产品生态体系的最新更新和首次发布的内容，2019年仍会支持tensorflow1.x,但是我们相信，版本的升级会带来易用性和使用性能的提升，特别是tensorflow1.x 开发api的混乱，有slim、tf.layers, tf.contrib 后期版本有tf.keras ,还有读数据方式，都特别麻烦，所以本文章基于linux系统提供安装方法（Windows系统安装anaconda以后也可以使用该教程）。
插播：很荣幸本文于2020年11月5日被Tensorflow官方社区收录，欢迎去社区逛逛

首先安装anaconda

这个直接官网去下载就可以了，可以是安装anaconda 或miniconda，我选择miniconda,这样不会把大量用不到的python包都安装了，而是根据需求，后期自己安装。

下载miniconda  ,基本一路回车安装完成就可以，然后配置下载源来使⽤国内镜像加速下载:

(时代在变化，社会在发展，anaconda不再有国内的加速镜像，所以以下添加清华源的命令就不要执行了！！，用默认的官方源也是可以使用的，更改于2019年7月2日 ）清华源又可以用了

#优先命名用清华conda 镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/fastai/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/

# 搜索时显示通道地址
conda config --set show_channel_urls yes


创建一个环境，用来安装tensorflow2.0以及相关的python packages.

#加上cudatoolkit and cudnn这样不论你的机器原来装的是否合适，都可以用tensorflow2.0gpu版本
conda create -n tf2 python=3.6 


激活创建的环境，安装tensorflow2.0

#激活环境
source activate tf2
#对于GPU版的安装，为保证不论原始linux环境是什么样的都可以安装，如果原系充已经符合，以下命令不用执行
conda install cudatoolkit=10 cudnn=7.6 #目前tf2.0不支持cuda10.1(对应cudnn7.6)，官网要求cuda=10,cudnn>7.4
#对于CPU版本，上边这行命令是不需要执行的
#接下来安装tensorflow 有多种情形
conda install tensorflow #安装tensorflow cpu稳定版本
conda install tensorflow-gpu#安装ensorflow gpu稳定版本
#使用这前可以使用 conda serach tensorflo 或conda search tensorflow-gpu来查询都有那些版本
#可以初装指定版本 conda install tensorflow=1.5 tensorflow 1.5版本
#如果安装错了可以使用conda uninstall tensorflow卸载后再重新安装
#接下来是要安装是新的tensorflow版本，conda环境使用pip同样生效
pip install tf-nightly #cpu 版本
pip install tf-nightly-gpu#GPU版本
#本人网上查了具体的版本
pip install tf-nightly-2.0-preview#Install tf 2.0 preview CPU version
pip install tf-nightly-gpu-2.0-preview#Install tf 2.0 preview GPU version

以下于2019年7月2日更新部分，最近tensorflow2.0的由alpha到了beat版本，所以更新一下最新的安装方法（基础环境的搭建不变）
pip install --upgrade pip
pip install --upgrade tensorflow==2.0.0-beta1 #只是CPU版本
pip install --upgrade tensorflow-gpu==2.0.0-beta1#GPU 版本的
#关于测试安装是否成功的测试，与原来是一样的
#会输出2.0.0-beta1

于2019年8月24日再更，今早tensorflow再次更新：
pip install tensorflow==2.0.0rc0 # cpu version
pip install tensorflow-gpu==2.0.0rc0  #gpu version
#最近有了更新rc1版本更新，日期没有记
pip install tensorflow==2.0.0rc1 # cpu version
pip install tensorflow-gpu==2.0.0rc1  #gpu version
#tensorflow rc2版本更新于2019年9月25日,感觉正式版很快就要来了
#安装方法同上，更新内容参见https://github.com/tensorflow/tensorflow/releases/tag/v2.0.0-rc2
#卸载旧版
pip uninstall tensorflow-gpu
pip install tensorflow-gpu==2.0.0rc2

rc的release candidate的意思，基本上是最后的可用于生产的版本，但仍然是测试。感觉有好多特性都有更新，具体的更新内容参见github上官方文档

以上就完成了tensorflow2.0的安装

2019年10月1日更新：tensorflow2.0版本正式发布，安装方法：
pip install --upgrade pip
pip install tensorflow-gpu==2.0.0

2019年10月25日更新，从今天开始，conda支持安装tensorflow2.0,有点小舒服。
conda search tensorflow #搜cpu版
conda search tensorflow-gpu#搜GPU版
#大家可以按需安装
conda install tensorflow-gpu=2.0.0 #各种必备包自动安装，

用conda 安装最好，可以判断所有安装包的版本间的兼容性，如果能安装那么肯定是兼容的。

官网cuda和cudnn要求如下：



linux上驱动要大于410.x,cuda版本只能是10，cudnn版本要大于7.4.
2020年1月10日再更，tensorflow2.1正式发布，有几点更新：

pip默认安装GPU版本，也就是说pip install tensorflow 与pip install tensorflow-gpu相同
tensorflow2.1 支持 cuda 10.1和cudnn 7.6,也就是说在以后可以在同一个环境中同时安装tensorflow(2.1),pytorch(1.3.1),mxnet(1.5.1),因为这三深度学习库都支持cuda 10.1.



具体安装方法：

conda create -n dl python=3.6
conda activate dl
conda install cudatoolkit=10.1 cudnn=7.6
pip install tensorflow-gpu #安装tensorflow
pip install torch===1.3.1 torchvision===0.4.2 -f https://download.pytorch.org/whl/torch_stable.html
pip install mxnet-cu101 #三个深度学习库都初装成功
pip install jupyterlab pandas matplotlib pydot scikit-learn seaborn scikit-image opencv-contrib-python

发现个问题，用pip安装的tensorflow2.1需要一个 libnvinfer.so的文件，这个是tensorrt的东西，不装tensorrt会报错：



按照官方教程安装一下就可以，我是用的tar包安装的,版本tensorrt6.其中

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:<TensorRT-${version}/lib> 这个命令写到当前用户.bashrc中就可以，然后source一下(如果用deb包安装可以省去改变环境变量这个工作）。

再次进入dl环境，所有pip 安装的内容都不用加sudo.

到此，使用这三个深度学习库都是没有什么问题的。
import tensorflow as tf
import torch
import mxnet as mx
from mxnet.runtime import feature_list

print(mx.test_utils.list_gpus())
print(feature_list())
#会输出：[✔ CUDA, ✔ CUDNN, ✔ NCCL, ✔ CUDA_RTC, ✖ TENSORRT, ✔ CPU_SSE, ✔ CPU_SSE2, ✔ CPU_SSE3, ✔ CPU_SSE4_1, ✔ CPU_SSE4_2, ✖ CPU_SSE4A, ✔ CPU_AVX, ✖ CPU_AVX2, ✔ OPENMP, ✖ SSE, ✔ F16C, ✖ JEMALLOC, ✔ BLAS_OPEN, ✖ BLAS_ATLAS, ✖ BLAS_MKL, ✖ BLAS_APPLE, ✔ LAPACK, ✔ MKLDNN, ✔ OPENCV, ✖ CAFFE, ✖ PROFILER, ✔ DIST_KVSTORE, ✖ CXX14, ✖ INT64_TENSOR_SIZE, ✔ SIGNAL_HANDLER, ✖ DEBUG, ✖ TVM_OP]
print(torch.cuda.is_available())
print(torch.backends.cudnn.version())
print(tf.test.is_gpu_available())



可以看到，三个深度学习库都 可以使用GPU,标红的地方有一个是我们提前安装的包。
#在tensorflow2.1验证是否有gpu进，系统提示deprecated
tf.test.is_gpu_available()#不用了
tf.test.is_built_with_cuda()#是否支持NVIdia GPU
tf.test.is_built_with_rocm()#是否支持AMD的显卡
tf.test.is_built_with_gpu()#NVIDIA或AMD是否有一家的支持



另外，安装tensorrt需要pycuda，所以还要安装有几个额外包，这样在conda环境中才可以用pip安装pycuda.
conda install -c nvidia nvcc_linux-64=10.1
conda install  -c conda-forge cudatoolkit-dev=10.1

执行这两个命令才可以安装pycuda
pip install pycuda

如果cudatoolkit是从Nvidia官网下载后按照这里所述方式安装的,上边这两条命令是不需要的。

再次补充

最近遇到一些其它问题，安装cuda10没报错但是tensorflow不能使用,这是因为系统显卡驱动太低，不匹配比较新的cuda10,唯一需要做的就是更新显卡驱动。每个版本的cuda都有显卡驱动的最低要求，如下表（参考官网说明）：



可以看到，cuda10的最低版本的要求是410.48。查看原系统的显卡驱动的方法是在shell中输入： nvidia-smi（原系统安装有cuda toolkit才会有该命令）



本人电脑上当前版本是384.98，最高可安装cuda版本是9.0，而cuda9最高支持到tensorflow1.12。

cuda版本与tensorflow版本对应关系如下表（参考官网说明）：



显卡驱动安装或更新以及cuda toolkitt和cudnn的系统完装方法参见博客。

2020年5月7日更新

今天，tensorflow2.2正式版发布，更新内容参见github，另外，Keras官网改版了，界面全新，更加接近tf2,可以快乐的学习了。

tensorflow2.2安装方法：
conda create -n dl python=3.7
conda activate dl
conda install cudatoolkit=10.1 cudnn=7.6.5
#tensorflow的安装也方便没啥警告
pip install tensorflow-gpu -i https://pypi.douban.com/simple
#到目前（2020年5月7日）最新的pytorch gpu版本也可以安装
pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple


测试是否安装成功

有两种方法

方法一：

import tensorflow as tf 
print(tf.__version__)
#输出'2.0.0-alpha0'
print(tf.test.is_gpu_available())
#会输出True,则证明安装成功


方法二：

#输入python，进入python环境
import tensorflow as tf
#查看tensorflow版本
print(tf.__version__)
#输出'2.0.0-alpha0'
#测试GPU能否调用,先查看显卡使用情况
import os 
os.system("nvidia-smi")
#调用显卡
@tf.function
def f():
	pass
f()
#这时会打印好多日志，我电脑上还有warning，感觉不影响
#再次查询显卡
os.system("nvidia-smi")
可以对比两次使用情况

建意两种测试方法都试一下，有时第一种方法成功，真正建模型进行训练时确会报错，所在最好都试一下。

好了，测试使用的过程也完成了，小伙伴们可以玩起来呀

这里顺便提一下用来tensorflow 学习的资源

 吴恩达的课程cousera上会有一系列课程，会在2019年逐步完成TensorFlow: From Basics to Mastery
  udacity 上的课基于Tensorflow的深度学习Intro to TensorFlow for Deep Learning 这个也要可以上外网
  Cousera伦顿帝国理工学院的tensorflow2 入门,这们课是2020年1月左右发布的
 Cousera上伦顿帝国理工学院的tensorflow2深入课程,这们课是2020年3月左右发布的
 简单粗暴 TensorFlow 2,这是tensorflow官方指定的中国的教程，还是不错的。


引用文章

1  https://docs.anaconda.com/anaconda/user-guide/tasks/tensorflow/

2  https://medium.com/tensorflow/test-drive-tensorflow-2-0-alpha-b6dd1e522b01  需要科学上网

3 https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

4 https://www.tensorflow.org/install/source#install_python_and_the_tensorflow_package_dependencies

笔者之前在学习TensorFlow，也在自己的笔记本上完成了安装，在PyCharm中进行学习。但是最近为了使用python的科学计算环境，我把之前的环境卸载了，并用Anaconda重新安装了TensorFlow，由于自己的笔记本已经很旧了，显卡不行，所以这里介绍一下cpu版本的安装方法和自己遇到的一些坑，截图甚多。
这里直接上干货：
1.安装Anaconda
选择相应的Anaconda进行安装，进入Anaconda的官网，下载对应系统版本的Anaconda，官网现在的版本是Anaconda 4.3.1 for python3.6。笔者安装的是4.3.0版本的。

就和安装普通的软件一样，全部选择默认即可，注意勾选将python3.6添加进环境变量。

这样Anaconda就安装好了，我们可以通过下面的命令来查看Anaconda已经安装了哪些包。

运行 开始菜单->Anaconda3—>Anaconda Prompt ：
conda list

可以看到已经安装了numpy、sympy等常用的包。
2.安装Tensorflow
TensorFlow目前在Windows下只支持Python 3.5版本。
（1）打开Anaconda Prompt，输入清华仓库镜像，这样更新会快一些：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

（2）同样在Anaconda Prompt中利用Anaconda创建一个python3.5的环境，环境名称为tensorflow ，输入下面命令：
conda create -n tensorflow python=3.5

运行 开始菜单->Anaconda3—>Anaconda Navigator，点击左侧的Environments，可以看到tensorflow的环境已经创建好了。


（3）在Anaconda Prompt中启动tensorflow环境：
activate tensorflow



注：当不使用tensorflow时，关闭tensorflow环境，命令为：deactivate

（4）安装cpu版本的TensorFlow
pip install --upgrade --ignore-installed tensorflow


注：这里没有介绍GPU版本的安装方法，GPU版本需要安装cuda8+cudnn5，如需要的请搜索其他博文。

这样tensorflow cpu版本就安装好了。
（5）测试tensorflow

在Anaconda Prompt中启动tensorflow环境，并进入python环境。


测试代码如下:
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

运行结果：

3.其他问题
或许到这里我们并没有满足，我们在Anaconda自带的ipython 和Spyder中import tensorflow的时候一直失败，提示 No module named ‘tensorflow’，如下图，那是因为我们没有在tensorflow的环境下打开它们。

为了能在ipython 和Spyder中使用tensorflow，我们需要在tensorflow的环境中安装这两个的插件。
打开Anaconda Navigator，选择Not installed，找到 ipython和Spyder并安装，笔者这里已经安装好，所以在这个页面没有显示。

切换到installed，可以看到两个都已经安装好，其实可以按照自己的需要安装。下图显示已经安装好的Spyder:

安装好插件后，我们需要测试一下。
在Anaconda Prompt中启动tensorflow环境，并运行ipython，import tensorflow发现成功:

同样，在Anaconda Prompt中启动tensorflow环境，并运行Spyder，等一会儿后会启动Spyder IDE，import tensorflow 同样成功:



注意：一定要启动tensorflow 环境下的Spyder才可以import tensorflow，不要去开始菜单运行Spyder，在那里是无法运行的，如：

参考官网地址：

Windows端：https://tensorflow.google.cn/install/source_windows

CPU

Version
			
Python version
			
Compiler
			
Build tools
		
tensorflow-1.11.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.10.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.9.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.8.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.7.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.6.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.5.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.4.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.3.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.2.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.1.0
			
3.5
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
tensorflow-1.0.0
			
3.5
			
MSVC 2015 update 3
			
Cmake v3.6.3
		
GPU

Version
			
Python version
			
Compiler
			
Build tools
			
cuDNN
			
CUDA
		
tensorflow_gpu-1.11.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Bazel 0.15.0
			
7
			
9
		
tensorflow_gpu-1.10.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
7
			
9
		
tensorflow_gpu-1.9.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
7
			
9
		
tensorflow_gpu-1.8.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
7
			
9
		
tensorflow_gpu-1.7.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
7
			
9
		
tensorflow_gpu-1.6.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
7
			
9
		
tensorflow_gpu-1.5.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
7
			
9
		
tensorflow_gpu-1.4.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
6
			
8
		
tensorflow_gpu-1.3.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
6
			
8
		
tensorflow_gpu-1.2.0
			
3.5-3.6
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
5.1
			
8
		
tensorflow_gpu-1.1.0
			
3.5
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
5.1
			
8
		
tensorflow_gpu-1.0.0
			
3.5
			
MSVC 2015 update 3
			
Cmake v3.6.3
			
5.1
			
8
		
 

Linux端：https://tensorflow.google.cn/install/source

Linux

Version
			
Python version
			
Compiler
			
Build tools
		
tensorflow-1.11.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.15.0
		
tensorflow-1.10.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.15.0
		
tensorflow-1.9.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.11.0
		
tensorflow-1.8.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.10.0
		
tensorflow-1.7.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.10.0
		
tensorflow-1.6.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.9.0
		
tensorflow-1.5.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.8.0
		
tensorflow-1.4.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.5.4
		
tensorflow-1.3.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.4.5
		
tensorflow-1.2.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.4.5
		
tensorflow-1.1.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.4.2
		
tensorflow-1.0.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.4.2
		
Version
			
Python version
			
Compiler
			
Build tools
			
cuDNN
			
CUDA
		
tensorflow_gpu-1.11.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.15.0
			
7
			
9
		
tensorflow_gpu-1.10.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.15.0
			
7
			
9
		
tensorflow_gpu-1.9.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.11.0
			
7
			
9
		
tensorflow_gpu-1.8.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.10.0
			
7
			
9
		
tensorflow_gpu-1.7.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.9.0
			
7
			
9
		
tensorflow_gpu-1.6.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.9.0
			
7
			
9
		
tensorflow_gpu-1.5.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.8.0
			
7
			
9
		
tensorflow_gpu-1.4.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.5.4
			
6
			
8
		
tensorflow_gpu-1.3.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.4.5
			
6
			
8
		
tensorflow_gpu-1.2.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.4.5
			
5.1
			
8
		
tensorflow_gpu-1.1.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.4.2
			
5.1
			
8
		
tensorflow_gpu-1.0.0
			
2.7, 3.3-3.6
			
GCC 4.8
			
Bazel 0.4.2
			
5.1
			
8
		
macOS

CPU

Version
			
Python version
			
Compiler
			
Build tools
		
tensorflow-1.11.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.15.0
		
tensorflow-1.10.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.15.0
		
tensorflow-1.9.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.11.0
		
tensorflow-1.8.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.10.1
		
tensorflow-1.7.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.10.1
		
tensorflow-1.6.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.8.1
		
tensorflow-1.5.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.8.1
		
tensorflow-1.4.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.5.4
		
tensorflow-1.3.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.4.5
		
tensorflow-1.2.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.4.5
		
tensorflow-1.1.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.4.2
		
tensorflow-1.0.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.4.2
		
GPU

Version
			
Python version
			
Compiler
			
Build tools
			
cuDNN
			
CUDA
		
tensorflow_gpu-1.1.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.4.2
			
5.1
			
8
		
tensorflow_gpu-1.0.0
			
2.7, 3.3-3.6
			
Clang from xcode
			
Bazel 0.4.2
			
5.1
			
8