【Tensorflow2安装】Tensorflow2.3-CPU安装避坑指南！！！

注意

1、本文是针对CPU版本的TensorFlow 2.3.0的安装避坑指南，GPU版本请勿抱有侥幸心理参考本篇文章。

2、不要盲目相信Anaconda的conda install！！！anaconda也是有版本的，不同的版本适用的python版本不同，更致命的是conda install会自动安装相关依赖库，但是安装的依赖库的版本存在不兼容不支持问题！

本人就在第2点这个大坑挣扎许久：

（1）跳坑方案一：使用conda create -n xxx tensorflow=2.3.0一步到位，结果：import tensorflow报错，什么numpy、dll之类的，究其根本是部分相关依赖库（如numpy、scipy等）版本是tensorflow2.3.0不支持的，为什么conda会这么智障呢？因为conda install中tensorflow2.3.0版本绑定在一起的python版本是3.8，而tensorflow2.3.0版本要求的python版本为3.5-3.7，你说conda坑不坑？不要试图针对不兼容的依赖库版本先conda uninstall再conda install兼容版本，conda牵一发而动全身，不能uninstall和install单个package（总会把目标package的依赖package捆绑在一起进行uninstall或install），这是其科学安装带来的双刃剑。

（2）跳坑方案二：先使用conda create -n xxx python=3.6，再activate进xxx环境后conda install tensorflow=2.3.0。既然一步到位法python版本有错，那我就先安装正确版本的python，再安装tensorflow2.3.0。其实通过分析就可以发现是不可行的，结果也证明了确实不可行——在conda install tensorflow=2.3.0之后，python版本不再是3.6而是3.8，归根结底还是因为conda与tensorflow=2.3.0绑定的python版本就是3.8，即使装了别的版本也会先uninstall再install python3.8。

（终于知道为什么Tensorflow官网安装提都不提conda了(lll￢ω￢)）

避坑安装流程

怎么避坑呢？pip大法好！下面上具体流程。

一、安装对应python3.6版本的Anaconda，不上图了，没什么坑。注意：①本人选择的python版本为3.6，3.5-3.7应该也行。②不用conda install并不意味着不用conda，conda用于分离环境进行包管理（conda核心作用）还是十分给力的！

二、conda创建虚拟环境 conda create -n tf2.3 python=3.6，创建完成后进入新创建的环境 activate tf2.3 。注意：tf2.3是自定义的环境名称，可以个人指定。

三、检查pip版本是否大于19.0，若低于19.0则需升级pip版本 python -m pip install --upgrade pip 。

四、使用pip安装tensorflow2.3.0 pip install tensorflow-cpu==2.3.0 -i https://pypi.douban.com/simple/ 。注意：这里指定的豆瓣源比较快。

五、测试tensorflow能否正常使用，先import tensorflow as tf 再 print(tf.constant(0).numpy()) 。

结语

其实CPU版本的安装还是比较简单的，GPU版本安装由于涉及到NVIDIA显卡支持、CUDNN、cudatoolkit三者的问题，所以要复杂一点。但要点也很简单：第一，通过 nvidia-smi 命令检查显卡是否支持CUDA，这是基本前提。第二、查找要安装的tensorflow-gpu版本与cudnn、cudatoolkit版本的对应关系（最广泛的应该是10.1和7.6.5，具体的自己查），使用conda install指定版本即可。切记：不要图省事，一定要细致！

补充

就在以为装好环境就万事大吉以后，又掉坑里了！注意啦！！！装好以后测试虽然成功了，但是如果之后要装其它与tensorflow2.3存在共同依赖的库，还是可能导致问题，本人就是这么又掉进坑里，又重新create了个conda环境。具体地，本人由于需要打算安装pandas库，先用conda install看一下会依赖哪些库（看看有没有与tensorflow2.3共同依赖的库），果然有numpy，当时就怀疑可能安装之后会出问题，不出所料，果然在安装完pandas后import tensorflow报错。那么如何解决这一问题呢？只好先安装其它存在共同依赖的库，所以本人就先安装pandas库，虽然自动一并安装了与tensorflow2.3不兼容版本的numpy，但是最后用pip安装tensorflow2.3的时候会卸载numpy并重装兼容版本的numpy库。其实，最容易导致这个问题的就是numpy库，因为在众多库中涉及到了numpy，所以会有numpy版本依赖，所以大家在安装其它库之前要注意一下需要一并安装的库（不要conda install 后连看都不看果断在yes/no选项选择yes/y进行install），如果新安装的库捆绑的依赖库中有numpy，那就要格外小心了，很可能会导致掉坑。

再进一步说点实用的吧，一般相关的涉及到numpy的库也就padas（数据读写）、sklearn（数据划分、一些度量指标之类的，用的不多，但有时候很管用，毕竟万物皆Tensor太难受了），我在装scikit-learn（就是sklearn）库的时候遇到了点棘手的库版本兼容问题，与之前的问题一样，但即使最后用pip安装tensorflow2.3也无法成功，原因在于pip的执行是先unstall不兼容版本的库，再install兼容版本的库，但pip unstall "Six"这个库时报错提示什么不能确定和其它的库的分离性，也就是说不知道它是不是和其他库紧密相关，所以不好卸载，解决方式是直接使用pip install --upgrade --ignore-installed six到兼容版本（当然我这里是通过看之前成功安装的tensorflow2.3对应的six库的版本是1.16.0）。

当然可能我遇到的这些坑你不一定遇得到，可能与anaconda的版本有关，因为我在给服务器配tensorflow-gpu2.3.0环境时，在tensorflow安装好后安装pandas、sklearn也没有问题，不知道是gpu版本兼容更好还是本地主机和服务器上的anaconda版本不同问题导致的。