TensorFlow 环境搭建

TensorFlow 2.x 对 Python 版本有特定要求：

推荐使用 Python 3.9-3.11，这些版本具有最好的兼容性和稳定性。

检查当前 Python 版本

# 检查 Python 版本
python --version
# 或
python3 --version

# 检查 pip 版本
pip --version
# 或
pip3 --version

Python 安装选项

选项 1：官方 Python（推荐新手）

• 访问 python.org 下载安装
• 安装时勾选 "Add Python to PATH"
• 包含 pip 包管理器

选项 2：Anaconda/Miniconda（推荐数据科学）

• Anaconda：完整的数据科学环境
• Miniconda：轻量级版本
• 内置环境管理和包管理

选项 3：系统包管理器

# Ubuntu/Debian
sudo apt update
sudo apt install python3 python3-pip

# macOS (使用 Homebrew)
brew install python3

# Windows (使用 Chocolatey)
choco install python3

虚拟环境设置（强烈推荐）

为什么使用虚拟环境

好处：

• 隔离依赖：避免不同项目间的包版本冲突
• 干净环境：保持系统 Python 环境整洁
• 易于管理：可以轻松删除和重建环境
• 可复现性：便于在不同机器上复现环境

使用 venv 创建虚拟环境

# 创建虚拟环境
python -m venv tensorflow_env

# 激活虚拟环境
# Windows:
tensorflow_env\Scripts\activate
# macOS/Linux:
source tensorflow_env/bin/activate

# 确认激活（提示符会显示环境名）
which python  # 应该指向虚拟环境中的 python

# 升级 pip
python -m pip install --upgrade pip

使用 Conda 创建虚拟环境

# 创建新环境
conda create -n tensorflow_env python=3.10

# 激活环境
conda activate tensorflow_env

# 列出所有环境
conda env list

# 在环境中安装包
conda install pip

虚拟环境管理

# 查看已安装的包
pip list

# 生成依赖文件
pip freeze > requirements.txt

# 从文件安装依赖
pip install -r requirements.txt

# 退出虚拟环境
deactivate  # venv
conda deactivate  # conda

# 删除虚拟环境
rm -rf tensorflow_env  # venv
conda env remove -n tensorflow_env  # conda

TensorFlow 安装

CPU 版本安装（适合学习和轻量级任务）

# 确保在虚拟环境中
pip install tensorflow

# 验证安装
python -c "import tensorflow as tf; print('TensorFlow version:', tf.__version__)"

CPU 版本特点：

• 优点：安装简单，无需额外配置
• 缺点：训练速度较慢，适合小规模数据
• 适用场景：学习、原型开发、推理部署

GPU 版本安装（适合大规模训练）

GPU 加速可以显著提升训练速度，特别是对于深度学习任务。

3.2.1 NVIDIA GPU 要求

硬件要求：

• NVIDIA GPU（计算能力 3.5 或更高）
• 8GB+ 显存（推荐）

查看 GPU 信息：

# Windows
nvidia-smi

# Linux
lspci | grep -i nvidia

CUDA 和 cuDNN 安装

TensorFlow 2.15+ 与 CUDA 版本对应：

安装步骤：

1. 下载和安装 CUDA Toolkit

   • 访问 NVIDIA CUDA Toolkit
   • 选择对应版本下载安装
   • 添加到系统 PATH

2. 下载和安装 cuDNN

   • 访问 NVIDIA cuDNN
   • 需要注册 NVIDIA 账户
   • 解压到 CUDA 安装目录

3. 验证 CUDA 安装

   nvcc --version
   nvidia-smi

安装 TensorFlow GPU 版本

# TensorFlow 2.10+ 统一包名
pip install tensorflow

# 验证 GPU 可用性
python -c "
import tensorflow as tf
print('TensorFlow version:', tf.__version__)
print('GPU available:', tf.config.list_physical_devices('GPU'))
print('Built with CUDA:', tf.test.is_built_with_cuda())
"

通过 Conda 安装

# CPU 版本
conda install tensorflow

# 或从 conda-forge
conda install -c conda-forge tensorflow

# GPU 版本（自动安装 CUDA）
conda install tensorflow-gpu

安装特定版本

# 安装特定版本
pip install tensorflow==2.14.0

# 安装预发布版本
pip install tf-nightly

# 升级到最新版本
pip install --upgrade tensorflow

开发工具安装

upyter Notebook/Lab

Jupyter 是数据科学和机器学习的标准开发环境：

# 安装 Jupyter Notebook
pip install jupyter notebook

# 或安装 JupyterLab（推荐）
pip install jupyterlab

# 启动 Jupyter
jupyter notebook
# 或
jupyter lab

Jupyter 扩展：

# 安装有用的扩展
pip install jupyter_contrib_nbextensions
jupyter contrib nbextension install --user

# 变量检查器
pip install nbextensions

IDE 选择

Visual Studio Code（推荐）：

• 安装 Python 扩展
• 安装 Jupyter 扩展
• 智能代码补全和调试

PyCharm：

• 专业的 Python IDE
• 强大的调试功能
• 内置 Git 支持

Google Colab（云端选项）：

• 免费 GPU 使用
• 预装常用库
• 无需本地配置

必要的 Python 包

# 数据处理
pip install numpy pandas matplotlib seaborn

# 科学计算
pip install scipy scikit-learn

# 图像处理
pip install pillow opencv-python

# 进度条和实用工具
pip install tqdm

# 创建完整的要求文件
cat > requirements.txt << EOF
tensorflow>=2.12.0
numpy>=1.21.0
pandas>=1.3.0
matplotlib>=3.5.0
seaborn>=0.11.0
scikit-learn>=1.0.0
jupyter>=1.0.0
tqdm>=4.60.0
pillow>=8.0.0
EOF

# 批量安装
pip install -r requirements.txt

配置验证

完整的安装验证脚本

创建 verify_installation.py 文件：

运行验证：

python verify_installation.py

性能基准测试

创建简单的性能测试：

常见问题和解决方案

安装问题

问题 1：pip 安装超时

pip install --user tensorflow

问题 2：权限错误

# 创建新的虚拟环境
python -m venv fresh_env
source fresh_env/bin/activate  # Linux/Mac
# 或 fresh_env\Scripts\activate  # Windows
pip install tensorflow

问题 3：版本冲突

# 创建新的虚拟环境
python -m venv fresh_env
source fresh_env/bin/activate  # Linux/Mac
# 或 fresh_env\Scripts\activate  # Windows
pip install tensorflow

GPU 相关问题

问题 1：CUDA 版本不匹配

• 检查 TensorFlow 和 CUDA 版本兼容性
• 重新安装匹配的 CUDA 版本

问题 2：GPU 内存不足

# 设置 GPU 内存增长
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
    for gpu in gpus:
        tf.config.experimental.set_memory_growth(gpu, True)

问题 3：无法找到 GPU

# 检查 NVIDIA 驱动
nvidia-smi

# 检查 CUDA 安装
nvcc --version

# 重新安装 GPU 支持
pip uninstall tensorflow
pip install tensorflow

Jupyter 相关问题

问题 1：虚拟环境在 Jupyter 中不可见

# 安装 ipykernel
pip install ipykernel

# 添加虚拟环境到 Jupyter
python -m ipykernel install --user --name tensorflow_env --display-name "Python (TensorFlow)"

问题 2：Jupyter 无法启动

# 重新安装 Jupyter
pip uninstall jupyter notebook
pip install jupyter notebook

# 或使用 conda
conda install jupyter

开发环境优化

GPU 内存管理

# GPU 配置优化
import tensorflow as tf

# 方法 1：设置内存增长
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
    try:
        for gpu in gpus:
            tf.config.experimental.set_memory_growth(gpu, True)
    except RuntimeError as e:
        print(e)

# 方法 2：限制内存使用
if gpus:
    try:
        tf.config.experimental.set_memory_limit(gpus[0], 4096)  # 4GB
    except RuntimeError as e:
        print(e)

性能优化设置

# 启用混合精度训练（提升性能）
from tensorflow.keras.mixed_precision import experimental as mixed_precision

policy = mixed_precision.Policy('mixed_float16')
mixed_precision.set_policy(policy)

# 启用 XLA 编译优化
tf.config.optimizer.set_jit(True)

开发工具配置

VS Code 配置（.vscode/settings.json）：

{
    "python.defaultInterpreterPath": "./tensorflow_env/bin/python",
    "python.linting.enabled": true,
    "python.linting.pylintEnabled": true,
    "jupyter.defaultKernel": "tensorflow_env"
}

环境维护

定期更新

# 更新 TensorFlow
pip install --upgrade tensorflow

# 更新所有包
pip list --outdated
pip install --upgrade package_name

# 或批量更新
pip freeze | grep -v "^-e" | cut -d = -f 1 | xargs pip install -U

环境备份和迁移

# 导出环境
pip freeze > requirements.txt
conda env export > environment.yml

# 在新机器上恢复环境
pip install -r requirements.txt
conda env create -f environment.yml