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（https://www.tensorflow.org/）
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（https://www.fogsvc.com/4581.html）
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） (http://www.fogsvc.com/4585.html)
cuda安装（windows）(http://www.fogsvc.com/4584.html)
cuDNN安装 (http://www.fogsvc.com/4586.html)
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 install tensorflow==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
1
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 install tensorflow==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。
————————————————
版权声明：本文为CSDN博主「ziqibit」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/ziqibit/article/details/129959068