TensorFlow
[!info] 阅读导览
全文 6 节：安装 Anaconda（1.1）→ 创建虚拟环境（1.2）→ 安装 TensorFlow（1.3）→ 编写简单的线性回归（1.4）→ 常见问题解决（1.5）→ 测试安装（1.6）
flowchart LR
A[下载并安装 Anaconda] --> B[Anaconda Prompt 创建虚拟环境<br>conda create --name tensorflow]
B --> C[激活环境<br>conda activate tensorflow]
C --> D[安装 TensorFlow<br>pip install tensorflow]
D --> E[验证安装<br>import tensorflow as tf]
E --> F[编写线性回归示例]
1. TensorFlow 安装与上手教程
1.1. 安装 Anaconda
1.1.1. 下载 Anaconda
- 访问 Anaconda 官网 下载适合 Windows 的 Anaconda 安装包。
1.1.2. 安装 Anaconda
- 双击下载的安装包，按照提示进行安装。
- 在安装过程中，选择 “Just Me” 选项，表示仅为当前用户安装。
- 选择安装路径，建议选择一个没有空格或特殊字符的路径（例如：
D:\Anaconda3）。 - 在 “Advanced Options” 中，建议不要勾选 “Add Anaconda to my PATH environment variable”，以避免环境变量冲突（后续统一使用 Anaconda Prompt 即可）。
1.2. 创建虚拟环境
1.2.1. 打开 Anaconda Prompt
- 在 Windows 搜索框中输入 “Anaconda Prompt”，并打开它。
1.2.2. 创建虚拟环境
- 输入以下命令创建一个新的虚拟环境（命名为
tensorflow）并选择 Python 版本（TensorFlow 2.16+ 官方支持 Python 3.9~3.12，推荐使用 3.9）：
conda create --name tensorflow python=3.9
- 按照提示确认创建。
1.2.3. 激活虚拟环境
- 输入以下命令激活刚刚创建的虚拟环境：
conda activate tensorflow
1.3. 安装 TensorFlow
1.3.1. 安装 TensorFlow
- 在激活的虚拟环境中，输入以下命令安装 TensorFlow（CPU 版本）：
pip install tensorflow
- 如果需要使用 GPU 加速，请确保已安装 NVIDIA 驱动、CUDA 和 cuDNN，且版本与 TensorFlow 兼容。自 TensorFlow 2.1 起，GPU 支持已包含在默认的
tensorflow包中，无需再单独安装tensorflow-gpu。安装后可通过tf.config.list_physical_devices('GPU')检查 GPU 是否可用。
1.3.2. 验证安装
- 安装完成后，输入 Python 命令进入 Python 交互环境：
python
- 在 Python 环境中输入以下命令，验证 TensorFlow 是否安装成功：
import tensorflow as tf
print(tf.__version__)
- 如果没有错误信息并且显示版本号，则说明安装成功。
1.4. 编写简单的 TensorFlow 代码
1.4.1. 创建一个简单的线性回归模型
- 在 Python 环境中，您可以尝试以下代码创建一个简单的线性回归模型（使用 TensorFlow 2.x 的
tf.GradientTape自动求导方式）：
import numpy as np
import tensorflow as tf
# 生成随机数据
x_data = np.random.rand(100).astype(np.float32) # 100 个随机数
y_data = x_data * 0.2 + 0.5 # 线性关系 y = 0.2 * x + 0.5
# 创建 TensorFlow 变量
Weights = tf.Variable(tf.random.uniform([1], -1.0, 1.0)) # 权重初始化
biases = tf.Variable(tf.zeros([1])) # 偏差初始化
# 定义优化器（TF2 使用 tf.keras.optimizers）
optimizer = tf.keras.optimizers.SGD(0.2) # 学习率为 0.2
# 训练循环（TF2 使用 GradientTape 自动求导）
for step in range(300): # 训练 300 步
with tf.GradientTape() as tape:
y = Weights * x_data + biases # 线性模型
loss = tf.reduce_mean(tf.square(y - y_data)) # 均方误差
grads = tape.gradient(loss, [Weights, biases]) # 计算梯度
optimizer.apply_gradients(zip(grads, [Weights, biases])) # 更新参数
if step % 20 == 0: # 每 20 步输出一次
print(step, Weights.numpy(), biases.numpy())
1.4.2. 代码解释
np.random.rand(100)：生成 100 个 0 到 1 之间的随机数。tf.Variable：创建可训练的变量。tf.GradientTape：TF2 的自动求导上下文管理器，用于记录运算并计算梯度。tf.reduce_mean(tf.square(y - y_data))：计算均方误差作为损失函数。tf.keras.optimizers.SGD：使用梯度下降法优化损失（TF2 中替代了 TF1 的tf.train.GradientDescentOptimizer）。
1.5. 常见问题解决
1.5.1. 环境变量问题
- 如果在命令行中无法识别
conda命令：安装时未勾选 “Add to PATH” 属正常情况，请改用 Anaconda Prompt（它已自动配置好环境变量）；若坚持在普通命令行使用，可手动将 Anaconda 安装目录下的Scripts文件夹添加到 PATH，但需注意避免与其他 Python 环境冲突。
1.5.2. 安装失败
- 如果在安装 TensorFlow 时遇到错误，建议检查网络连接，或尝试使用以下命令更新 pip 版本：
pip install --upgrade pip
1.5.3. GPU 支持
- 如果您希望使用 GPU 加速，确保您的 NVIDIA 显卡驱动、CUDA 和 cuDNN 版本与 TensorFlow 版本兼容（TensorFlow 2.16+ 需要 CUDA 12.3+ / cuDNN 8.9+）。可以参考 TensorFlow 的官方文档获取详细信息。
1.6. 测试 TensorFlow 安装
1.6.1. 编写测试代码
- 在 Python 环境中，输入以下代码来验证 TensorFlow 是否正常工作：
import tensorflow as tf
# 创建两个常量
A = tf.constant([[1, 2], [3, 4]])
B = tf.constant([[5, 6], [7, 8]])
# 矩阵乘法
C = tf.matmul(A, B)
# 输出结果
print(C)
1.6.2. 预期输出
- 如果能够最终输出：
tf.Tensor([[19 22]
[43 50]], shape=(2, 2), dtype=int32)
说明 TensorFlow 已安装成功。
通过以上步骤，您应该能够顺利安装 TensorFlow 并开始进行深度学习的学习与实践。如果有任何问题，可以随时查阅 TensorFlow 的官方文档或相关社区寻求帮助。
[!success] 核心要点
- 环境隔离：用 Anaconda 创建独立虚拟环境（
conda create --name tensorflow python=3.9），避免污染系统 Python- 安装命令：
conda activate tensorflow后pip install tensorflow；GPU 支持已合入默认包，无需再装tensorflow-gpu- 版本注意：TensorFlow 2.16+ 支持 Python 3.9~3.12、CUDA 12.3+ / cuDNN 8.9+；示例代码使用 TF2 的
GradientTape与tf.keras.optimizers，勿用已移除的tf.Session/tf.train.GradientDescentOptimizer- 验证两步走：
print(tf.__version__)确认安装 →tf.matmul矩阵运算确认可用