tensorflow1 tensorflow 2 安装配置（cpu+gpu）windows+linux 新版2.12+

tensorflow1和2的安装部署
windows和linux用法一致，我是在win10和ubuntu2204下都手动测试过的
本文使用的conda的方式，2023年8月17日更新
链接：tensorflow官网

注意：如果因为网络问题出现错误或卡住，请取消后多次尝试，我这里面都是默认网络环境就可以安装的。大部分时间很快

一、基本配置

1.需要安装anaconda

如果没有安装，按照我的这个教程（windows和linux都有）：

因为notebook使用很方便，所以不要用miniconda，那样就没有notebook！

链接: anaconda安装

初学者建议用cpu版本，gpu配置相对复杂，坑多
我这里的教程是直接装完包括依赖的，无需手动编译

2.gpu版本需要cuda和cudnn

在gpu的conda环境里面安装即可，建议也在系统环境中安装
cuda11.8，cudnn 8.6

cuda安装（linux）
cuda安装（windows）
cuDNN安装

3.windows用户想使用linux的

可以参考我的linux安装图解（详细）
unbuntu：ubuntu2204安装
debian: debian 11 12安装

二、安装tensorflow1.15（1的最后一个cpu版本）

在windows和linux下一致。
由于现在主要用2了，1就用cpu版本吧，要不还要降低cuda的版本(或者多版本cuda并存)。
1.15是tensorflow1的最后一个版本。

1.安装python3.6环境

conda create -n tensorflow python=3.6

2.激活环境

conda activate tensorflow

3.安装tensorflow1.15

通过国内源安装

pip installtensorflow==1.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/

4.方便在notebook中使用

通过国内源安装

pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple/

python -m ipykernel install--name tensorflow

5.打开notebook后，可以看到tensorflow的环境了

6.验证

打开notebook，输入以下并运行，显示版本号即可

import tensorflow as tf
print(tf.__version__)

三、安装tensorflow2.13.0（cpu版本）（2023年7月更新）

更新这篇时（2023.7），最新版为2.13.0，以此为演示
官方给的兼容性：tensorflow兼容性

1.安装python3.10环境（3.8-3.11之间）

这里选用3.10的python

conda create -n tensorflow2_cpu python=3.10

激活环境

conda activate tensorflow2_cpu

2.安装tensorflow2.13.0

pip install tensorflow-cpu==2.13.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/

3.适配notebook

pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple/

python -m ipykernel install--name tensorflow2_cpu

4.验证

打开notebook，输入以下并运行，显示版本号即可

import tensorflow as tf
print(tf.__version__)

四、安装tensorflow2.13（gpu版本，仅限于linux）（2023年7月更新）

2.12版本后，没有tensorflow-gpu这个分支了
由于一直在linux上部署安装，没注意到新gpu版本的变化，新版本gpu版对于windows用户相对麻烦，建议安装wsl2（linux在windows的子系统，然后当作linux用，或者安装老版本的gpu版）

可以不看兼容性：官方兼容性网址

1.安装python3.10环境（3.8-3.11之间）

这里选用3.10的python

conda create -n tensorflow2_gpu python=3.10

激活环境

conda activate tensorflow2_gpu

2.在环境里安装cuda和cudnn

conda install-c conda-forge cudatoolkit=11.8.0

pip install nvidia-cudnn-cu11==8.6.0.163 -i https://pypi.tuna.tsinghua.edu.cn/simple/

3.配置环境变量（自动激活方式）

这种方式不需要每次手动配置这个环境下的环境变量
创建配置文件

mkdir-p$CONDA_PREFIX/etc/conda/activate.d

使用命令写入环境变量

echo'CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))'>>$CONDA_PREFIX/etc/conda/activate.d/env_vars.sh

echo'export LD_LIBRARY_PATH=$CONDA_PREFIX/lib/:$CUDNN_PATH/lib:$LD_LIBRARY_PATH'>>$CONDA_PREFIX/etc/conda/activate.d/env_vars.sh

刷新环境变量（上面的操作会在每次进入conda环境后自动加载，下面这条是首次加载）

source$CONDA_PREFIX/etc/conda/activate.d/env_vars.sh

4.升级pip

pip install--upgrade pip -i https://pypi.tuna.tsinghua.edu.cn/simple/

5.安装tensorflow2.13

pip installtensorflow==2.13.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/

6.适配notebook

gpu版不推荐使用notebook，容易报错

pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple/

python -m ipykernel install--name tensorflow2_gpu

7.验证cpu和gpu部分

如果报错，参考下面的五，有解决方案

cpu测试

python3 -c"import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

gpu测试

python3 -c"import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

五、其它问题和解决

1.如何使用指定的环境

方法一：在notebook中写（较方便，但是gpu版本可能会出错）
方法二：进入conda的指定环境，然后使用命令行
方法三（推荐）：使用远程开发，本地安装开发工具，同时远程连接命令行

2.cpu优化使用avx2

使用的时候可能会提示开启avx2的字样（可以不管他）
avx2能够加速cpu，需要cpu的支持和在bios中开启，开启avx2可能会显著增加功耗

3.successful NUMA node read from SysFS had negative value (-1)

报错如下

successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero

链接：解决numa报错

解决思路就是指定gpu，完成后不会报错，根据上面的链接的方法，可以有效的解决问题

4.Cannot dlopen some GPU libraries

cuddn没有装好的问题
如果命令行没问题则说明没问题。