1. TensorFlow安装须知
学习Tensorflow 这个框架时，推荐使用 Tensorflow 2.1 + Pycharm +Anconda3 的组合：
Tensorflow 选用2.1版本；
Pycharm 作为开发用的IDE；
Anconda3 用作Python的包管理和Python1虚拟环境的创建；
- Python 选用3.7版本（由Anconda安装）
Tensorflow 有CPU版本和GPU两个版本，不过GPU的加速效果要比CPU好很多
在此之前，我们需要先安装好 Pycharm 和 Anconda3。
[!TIP] 关于 Pycharm 和 Anconda3 的安装请参考下面这两篇教程：
2. TensorFlow2.1 安装（基于Win10）
2.1.1. 创建虚拟环境
打开Anconda Prompt （以管理员模式打开），创建一个 名为 tf21 虚拟环境，并且配置python版本为3.7
conda create -n tf21_cpu python=3.7
进入这个环境
conda activate tf21
conda deactivate可以退出改环境
2.1.2. 配置国内镜像
- conda 配置清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
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/cloud/msys2/
conda config --set show_channel_urls yes #设置搜索时显示通道地址
- 输入
conda config --show channels显示镜像源 - 输入：
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/移除镜像源
2.1.3. 使用 pip 命令安装tensorflow
方案一：使用 pip 命令在线安装tensorflow
pip install tensorflow==2.1
方案二：使用国内镜像源（二选一）
## 这里使用了清华的镜像，速度比默认源更快（如果网络不佳，多执行几次） pip install tensorflow==2.1 -i https://pypi.tuna.tsinghua.edu.cn/simple## 这里使用了豆瓣的镜像，速度比默认源更快（如果网络不佳，多执行几次） pip install tensorflow==2.1 -i https://pypi.doubanio.com/simple
方案三：使用 tensorflow 的
.whl文件进行离线版安装- 进入tensorflow官网 https://tensorflow.google.cn/install/pip
- 将页面跳转到这个目录，下载我们需要的
.whl文件：https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.1.0-cp37-cp37m-win_amd64.whl - 下载完成后，我们将
.whl文件放入tf21虚拟环境的Scripts文件夹下 - 接着用命令提示符，进入Scripts文件夹： cd 路径\Scripts
- 执行命令(以具体文件名＋后缀为标准) ：
pip install tensorflow-2.1.0-cp37-cp37m-win_amd64.whl
2.1.4. 命令行中进行CPU版测试
命令行中输入Python，然后复制如下Python代码回车执行
import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)
如果没有问题，会看到打印结果为：
tf version: 2.1.0
use GPU False
至此，CPU版本安装完毕，接下来我们继续安装GPU版本的部分
2.1.5. 确认NVCUDA 显卡驱动版本
紧接着，在CPU版的基础上，我们开始安装GPU版需要的依赖，即 cudatoolkit 和 cuDnn ，在此之前，我们需要确认下自己的显卡驱动版本，请保证 NVCUDA ≥ 10.1，低于10.1请升级，否则后面安装会报错。
进入目录 NVIDIA控制面板\帮助\系统信息\组件 ，查看你的NVCUDA版本：
安装GPU版本，拥有Nvidia的GPU的windows一般都有默认驱动的，只需要安装cudatoolkit 与 cudnn包就可以了。我们下载的TensorFlow版本是2.1.0，python版本是3.7，对照下面的版本对应图，cudatoolkit 版本应该是10.1，cuDnn版本应该是7.6。
[!TIP] 该图来自于（搭梯子才能看）： https://www.tensorflow.org/install/source_windows
2.1.6. 安装cudatoolkit和cudnn
执行命令：
conda install cudatoolkit=10.1 cudnn=7.6
如果 Conda 使用了清华源还是会下载失败，抛出类似CondaHTTPError: HTTP 000 CONNECTION FAILED的报错，那么网络有问题，我们需要改变安装方式。下面这两个分别是 cudatoolkit 和 cudnn 的源，我们可以手动用其他下载工具（比如迅雷）来下载源
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/cudatoolkit-10.1.243-h74a9793_0.conda
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/cudnn-7.6.5-cuda10.2_0.conda
将下载完成的包移动到Anaconda的pkgs文件夹下（比如我的是G:\Anaconda3\pkgs），在命令终端进入该目录（比如我就是 cd G:\Anaconda3\pkgs），然后执行 Conda 命令进行离线安装
conda install --use-local cudatoolkit-10.1.243-h74a9793_0.conda
conda install --use-local cudnn-7.6.5-cuda10.2_0.conda
2.1.7. 命令行中进行GPU版测试
命令行中输入Python，然后复制以下 Python代码回车执行
import tensorflow as tf
tensorflow_version = tf.__version__
gpu_available = tf.test.is_gpu_available()
print("tf version:", tensorflow_version, "\nuse GPU:", gpu_available)
如果没有问题，会看到打印结果为：
tf version: 2.1.0
use GPU True
至此， GPU版本也安装成功
3. 将搭建好的环境配置到PyCharm
打开 PyCharm，选择 Esisting Interprete
选中 Conda 下我们刚创建好的 tf21 环境下的 python.exe 文件
接着我们在 PyCharm 中新建一个Python文件，复制以下Python代码在IDE中执行
import tensorflow as tf
gpu_available = tf.test.is_gpu_available()
print(tf.__version__)
print(gpu_available)
如果 PyCharm 控制台打印如下内容，则说明配置成功
4. 参考
Anaconda下安装keras和tensorflow - Atlantis-Brook的个人空间 - OSCHINA - 中文开源技术交流社区
Tensorflow 2.1 安装（CPU版本＋GPU版本）_小只视觉的博客-CSDN博客 这个好用