### TensorFlow 配置教程 #### Ubuntu 上的 TensorFlow 配置 在 Ubuntu 系统上配置 TensorFlow 的方法可以参考官方文档以及社区分享的内容。对于 Python 3.4 或更高版本的支持环境，可以通过以下方式完成安装[^1]： ```bash pip install --upgrade pip pip install tensorflow ``` 如果需要特定版本（例如 v1 版本），则可以在 Conda 虚拟环境中通过指定命令实现安装[^2]: ```bash conda create -n TensorFlow-v1 python=3.7 conda activate TensorFlow-v1 conda install tensorflow==1.14.0 ``` #### GPU 支持下的 TensorFlow 配置 为了支持 GPU 加速功能，在安装过程中还需要注意 CUDA 和 cuDNN 的兼容性问题。具体来说，不同版本的 TensorFlow 对应不同的 CUDA/cuDNN 组合需求[^3]。 以 TensorFlow-GPU 2.1.0 为例，其推荐使用的 CUDA 版本为 10.1，并且对应的 cuDNN 应该是 7.x 版本。以下是具体的安装步骤: 1. **安装 NVIDIA 显卡驱动程序**: 确保显卡驱动已更新至最新稳定版本。 2. **下载并安装 CUDA Toolkit**: 参考 NVIDIA 官网获取适合操作系统的 CUDA 工具包。 3. **设置环境变量**: ```bash export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH ``` 接着按照常规流程安装 `tensorflow-gpu` 包即可: ```bash pip install tensorflow-gpu==2.1.0 ``` #### Windows 平台上的 TensorFlow 配置 (GPU 版) 针对 Windows 用户而言，借助 Anaconda 来管理依赖项会更加便捷[^4]。创建一个新的虚拟环境用于隔离项目所需的库文件集合: ```bash conda create -n TF_GPU python=3.8 conda activate TF_GPU ``` 随后执行如下指令来引入必要的组件及其关联插件: ```bash conda install numpy scipy matplotlib scikit-learn pandas jupyter notebook ipykernel mkl-service pip install tensorflow-gpu ``` 验证安装成功与否的方法之一就是启动交互式解释器尝试导入模块并打印基本信息: ```python import tensorflow as tf print(tf.__version__) print(tf.test.is_gpu_available()) ``` 上述代码片段能够帮助确认当前运行时是否具备访问图形处理器的能力。 ---