当前位置：首页 > news >正文

Tensorflow的安装记录

news 2025/7/10 10:56:57

参考：

TensorFlow 保姆级教程：安装步骤、使用示例及常见问题应对_tensorflow安装-CSDN博客

官网：

关于TensorFlow | TensorFlow中文官网

安装前准备

环境要求

Python版本：TensorFlow支持Python 3.7 - 3.11。确保你的Python环境已经正确安装并且可以正常使用。你可以在命令行（Windows下是cmd，Linux和Mac下是终端）中输入python --version（对于Python 3）或者python3 --version来检查Python版本。
操作系统：TensorFlow可以在Windows、Linux和MacOS等主流操作系统上安装。不同操作系统在安装过程中可能会有一些细微差别。

安装包管理工具

推荐使用pip来安装TensorFlow。pip是Python的包管理工具，在安装Python时通常会自动安装。你可以在命令行中输入pip --version来检查是否安装成功。如果没有安装，可以参考Python官方文档来安装pip。

虚拟环境

为了避免依赖冲突，建议使用虚拟环境来安装，提前配置好 venv 或 conda，然后创建虚拟环境，参考：Python虚拟环境创建和使用总结_pyvenv.cfg-CSDN博客

TensorFlow 版本	推荐 Python 版本	说明
2.16.x	3.10（稳定）	开始实验性支持 Python 3.11，但建议使用 3.10 以获得最佳稳定性。
2.15.x	3.8-3.10	主流版本，完全支持 Python 3.10，3.11 尚未官方支持。
2.14.x 及以下	3.7-3.10	旧版本，逐步淘汰对 Python 3.7 的支持。

选择Tensorflow版本

注意，这里说的不是哪个几点几的小版本号，而是Tensorflow分为两大类版本，CPU版本和GPU版本，它们在安装方式、依赖和性能上有明显区别。

核心区别

特性 CPU 版本 GPU 版本
硬件依赖 无需 GPU，纯 CPU 计算需要 NVIDIA GPU（CUDA 兼容）
安装包 tensorflow tensorflow-gpu 或 tensorflow[gpu]
计算性能 较慢（适合小规模任务）显著加速（适合大规模训练）
显存支持 依赖系统内存依赖 GPU 显存（如 8GB/16GB）
典型场景 开发调试、轻量级推理大规模训练、图像 / 视频处理

CPU 版本：简单易用，适合学习和小规模任务。
GPU 版本：需额外配置，但能大幅提升训练速度（通常快 10-100 倍）。

选择建议

场景 版本选择
初学者或无 GPU CPU 版本
开发调试（有 GPU） GPU 版本
生产环境（高并发推理） CPU 版本（多线程优化）
大规模训练（如图像生成） GPU 版本

特性	CPU 版本	GPU 版本
硬件依赖	无需 GPU，纯 CPU 计算	需要 NVIDIA GPU（CUDA 兼容）
安装包	`tensorflow`	`tensorflow-gpu` 或 `tensorflow[gpu]`
计算性能	较慢（适合小规模任务）	显著加速（适合大规模训练）
显存支持	依赖系统内存	依赖 GPU 显存（如 8GB/16GB）
典型场景	开发调试、轻量级推理	大规模训练、图像 / 视频处理

场景	版本选择
初学者或无 GPU	CPU 版本
开发调试（有 GPU）	GPU 版本
生产环境（高并发推理）	CPU 版本（多线程优化）
大规模训练（如图像生成）	GPU 版本

安装CPU版本

CPU版本的安装比较简单

1. 直接安装（默认最新版本）
pip install tensorflow
2. 指定版本安装
pip install tensorflow==2.12.0  # 安装特定版本
3. 使用国内镜像加速（推荐）
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow
等待安装完成。安装过程中会自动下载并安装TensorFlow及其依赖项。安装完成后，你可以在Python脚本或者交互式环境（如python或者ipython）中尝试导入TensorFlow来验证安装是否成功。例如，在Python交互式环境中输入import tensorflow as tf，如果没有报错，说明安装成功。

一般如果没有安装就会报错，比如：

会有波浪线提示。

TensorFlow CPU 版本安装简单，适合初学者和轻量级任务。若遇到性能瓶颈，可考虑：

使用 Google Colab（免费 GPU）。
升级到支持 CUDA 的 GPU 版本。
使用 Intel MKL-DNN 优化 CPU 性能。

安装后建议通过示例代码验证环境，确保模型能正常训练和推理。

如果需要卸载
pip uninstall tensorflow
更多细节待补充。

安装GPU版本

GPU 版本的前置条件

NVIDIA 显卡

支持 CUDA 的型号（如 GTX 10 系列、RTX 20/30/40 系列等）。
检查显卡型号：nvidia-smi（Windows/Linux 终端命令）。

CUDA 工具包

版本需与 TensorFlow 兼容（如 TensorFlow 2.12 对应 CUDA 11.8）。
下载地址：NVIDIA 官网。

cuDNN 库

深度神经网络加速库，需与 CUDA 版本匹配。
下载地址：NVIDIA 官网。

关于CUDA

可参考：嵌入式AI？-CSDN博客

CUDA （Compute Unified Device Architecture）是一套软硬件结合的解决方案，包括硬件架构（GPU 中的计算核心）和软件编程模型（API、工具链、库），旨在让开发者用类似 C/C++ 等主流语言编写并行计算程序，而非仅用于图形渲染。

目标：将 GPU 从传统的图形处理器拓展为通用并行计算处理器，解决 CPU 在处理大规模并行任务（如深度学习、科学计算）时的性能瓶颈问题。

怎么知道自己电脑用的是什么显卡呢？

可以直接看电脑的属性，或者用鲁大师等应用查看，或者直接打开cmd窗口，输入如下命令：
wmic path win32_VideoController get Name
输出示例：

说明：

该命令会列出所有显卡的名称，包括独立显卡和集成显卡。

若有多个显卡，会显示多行结果。

开始安装

我们可以使用命令来一次性安装好tensorflow以及其依赖的CUDA和cuDNN；也可以分别手动安装。如下所示：
# 方式1：自动安装 CUDA/cuDNN 依赖（推荐）
pip install tensorflow[gpu]# 方式2：手动指定版本（需自行安装 CUDA 11.8 + cuDNN 8.6）
pip install tensorflow-gpu==2.12.0
验证安装

同样，安装完成后可以在Python中导入tensorflow来验证。

运行以下代码检查 TensorFlow 是否能识别 GPU：
import tensorflow as tfprint("TensorFlow 版本:", tf.__version__)
print("GPU 是否可用:", tf.test.is_gpu_available())
print("可用 GPU 列表:", tf.config.list_physical_devices('GPU'))
输出示例（GPU 可用）
TensorFlow 版本: 2.12.0
GPU 是否可用: True
可用 GPU 列表: [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
GPU 版本默认会占用全部显存，可通过以下代码动态分配：
import tensorflow as tfgpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:try:# 设置显存增长for gpu in gpus:tf.config.experimental.set_memory_growth(gpu, True)except RuntimeError as e:print(e)
常见问题

CUDA 版本不匹配

错误提示：Could not load dynamic library 'libcudart.so.X.X'
解决方案：卸载现有 CUDA，安装与 TensorFlow 兼容的版本。

显存不足

错误提示：Resource exhausted: OOM when allocating tensor
解决方案：减小批量大小（batch_size），或使用显存优化技术。

Intel/AMD 显卡

TensorFlow 官方仅支持 NVIDIA GPU。Intel 显卡可尝试通过 intel-extension-for-tensorflow 加速，但性能有限。

安装慢的问题

使用pip install tensorflow安装CPU版本时遇到问题：

错误描述如下：
ERROR: Could not find a version that satisfies the requirement tensorflow (from versions: none)
ERROR: No matching distribution found for tensorflow
后使用国内镜像后安装成功，看来这次是网络的问题。

有哪些常用的国内源

可以使用清华源、阿里云源等国内源来下载 TensorFlow，我们以TensorFlow 2.15.0为例说明：

清华源2：清华大学开源软件镜像站提供了丰富的 Python 包镜像，地址为Simple Index。可使用命令pip install tensorflow==2.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/来安装 TensorFlow 2.15.0。
阿里云源9：阿里云镜像站也提供了 Python 包的镜像服务，地址是mirrors.aliyun.com/pypi/simple/。安装命令为pip install tensorflow==2.15.0 -i mirrors.aliyun.com/pypi/simple/。
中国科技大学源9：中国科技大学镜像源同样可以用于下载 TensorFlow，地址为pypi.mirrors.ustc.edu.cn/simple/。使用命令pip install tensorflow==2.15.0 -i pypi.mirrors.ustc.edu.cn/simple/即可通过该镜像源进行安装。
豆瓣源9：豆瓣源也支持下载相关包，地址是pypi.douban.com/simple/。安装命令为pip install tensorflow==2.15.0 -i pypi.douban.com/simple/。

版本冲突？

遇到一个无法导入tensorflow下keras的问题，tensorflow 能导入，但是tensorflow.keras导入不了

这个问题通常是由于 TensorFlow 版本不兼容或安装不完整导致的。当你可以导入tensorflow但无法导入其子模块keras时，可能有以下几种原因及解决方案：

解决方案

1. 确认 TensorFlow 版本

确保你使用的是 TensorFlow 2.x 版本（从 TensorFlow 2.0 开始，Keras 已集成到tensorflow.keras中）。在 Python 中运行：
import tensorflow as tf
print(tf.__version__)  # 应显示2.x.x
如果版本是 1.x.x，需要升级 TensorFlow：
pip install --upgrade tensorflow
我验证了是2.x.x版本的

这块看起来没啥问题，继续排查，

2. 验证keras核心模块导入

直接尝试导入 Keras 的核心模块，检查具体错误：
from tensorflow import keras
print(keras.__version__)  # 应显示版本号
也是正常的：

这是为啥，写法不一样，就不行了？

搞不懂是为啥，尝试直接卸载重装吧。

3. 卸载重装

TensorFlow 的 CPU 版本和 GPU 版本使用 pip 卸载的命令是相同的。无论你安装的是 CPU 版还是 GPU 版，都可以通过以下命令卸载：
pip uninstall tensorflow
卸载过程如下：

4.Python降级

我当前使用的是Py3.11，不知道跟这个有没有关系。我尝试安装一个Python10，然后再下载tensorflow看看。

我先下载了Python3.10.3来安装，那么现在我本地有两个python版本，使用pip安装tensorflow时，怎么指定匹配哪个python版本？

当本地有两个 Python 版本时，可通过指定 Python 可执行文件路径或使用虚拟环境等方式，来确定用哪个 Python 版本安装 TensorFlow，具体方法如下：

使用 Python 可执行文件路径指定2：找到你想使用的 Python 版本的可执行文件路径，然后通过该路径调用pip来安装 TensorFlow。例如，在 Windows 系统中，若 Python 3.8 的安装路径为C:\Python38，则可在命令行中输入C:\Python38\python.exe -m pip install tensorflow来安装 TensorFlow，这样就会将其安装到 Python 3.8 环境中。在 Linux 或 macOS 系统中，若 Python 3.10 的路径为/usr/local/bin/python3.10，可使用命令/usr/local/bin/python3.10 -m pip install tensorflow进行安装。
利用py命令指定4：在 Windows 系统中，可使用py命令来指定 Python 版本。例如，要使用 Python 3.5 安装 TensorFlow，可在命令行中输入py -3.5 -m pip install tensorflow。
通过pip3命令安装6：一般情况下，pip通常指向 Python 2 版本（若存在），pip3指向 Python 3 版本。所以如果你想将 TensorFlow 安装到 Python 3 环境中，可以直接在命令行中使用pip3 install tensorflow命令（前提是pip3已正确指向你想要的 Python 3 版本）。
使用虚拟环境1：可以借助venv或Anaconda等工具创建虚拟环境，并指定 Python 版本，然后在虚拟环境中安装 TensorFlow。以venv为例，若你想基于 Python 3.9 创建虚拟环境并安装 TensorFlow，可先执行python3.9 -m venv myenv创建虚拟环境，再激活虚拟环境（Windows 下为myenv\Scripts\activate，Linux/macOS 下为source myenv/bin/activate），最后执行pip install tensorflow进行安装。

这里，我直接用路径来安装，命令如下：
C:\Users\admin\AppData\Local\Programs\Python\Python310\python.exe -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow
安装后仍然存在同样的问题

我发现另一个问题，不管我是Python3.10还是Python3.11，下载的tensorflow版本都是一样的2.19.0，是不是这个版本太高了呀？所以，我准备将Tensorflow降个级试试看。

5.tensorflow降级

先明确，Python3.10.3匹配哪个版本的tensorflow

Python 3.10.3 与 TensorFlow 2.8.0 及以上版本 兼容。根据 TensorFlow 官方版本支持矩阵，以下是具体对应关系：

推荐版本

TensorFlow 版本 Python 3.10 支持情况说明
2.16.x 完全支持（最新稳定版）推荐使用，支持 Python 3.10-3.11，包含性能优化和新特性。
2.15.x 完全支持主流稳定版，广泛用于生产环境，支持 Python 3.8-3.10。
2.14.x 完全支持旧版本，但仍兼容 Python 3.10。
2.8.0-2.13.x 部分支持（需验证兼容性）早期版本对 Python 3.10 的支持可能不完全，建议升级到更高版本。

对于 Python 3.10.3，推荐安装 TensorFlow 2.16.0（最新稳定版）或 2.15.0（主流稳定版）。

我就装个2.15.0版本的试试看

先卸载之前的版本
C:\Users\admin\AppData\Local\Programs\Python\Python310\python.exe -m pip uninstall tensorflow
再安装指定的2.15.0版本
C:\Users\admin\AppData\Local\Programs\Python\Python310\python.exe -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==2.15.0
安装完成。

还是不行，服了。

6.直接百度

tensorflow.keras无法解析导入_百度搜索

找到个类似的

vscode无法解析导入“tensorflow.keras“解决_无法解析导入tensorflow.keras-CSDN博客

看到个评论

所以我决定直接无视，不管了，直接运行，貌似也没有报错。

TensorFlow 版本	Python 3.10 支持情况	说明
2.16.x	完全支持（最新稳定版）	推荐使用，支持 Python 3.10-3.11，包含性能优化和新特性。
2.15.x	完全支持	主流稳定版，广泛用于生产环境，支持 Python 3.8-3.10。
2.14.x	完全支持	旧版本，但仍兼容 Python 3.10。
2.8.0-2.13.x	部分支持（需验证兼容性）	早期版本对 Python 3.10 的支持可能不完全，建议升级到更高版本。