部署CPU与GPU通用的tensorflow：Anaconda环境
本文介绍在
Anaconda
环境中，下载并配置
Python
中机器学习、深度学习常用的新版
tensorflow
库的方法。
在之前的两篇文章
Python TensorFlow深度学习回归代码：DNNRegressor
与
Python TensorFlow深度神经网络回归：keras.Sequential
中，我们介绍了利用
Python
中的
tensorflow
库，实现
机器学习
与
深度学习
的具体思路与代码实现；然而，当初并没有具体介绍
tensorflow
库的配置方法。因此，在这篇文章中，我们就介绍一下在
Anaconda
环境中，配置
tensorflow
库的详细方法；此外，这里需要注意，在较新版本的
tensorflow
库（版本大于
1.5
，但对于
Windows
用户而言，版本还不能高于
2.10
）中，已经同时支持
CPU
、
GPU
训练，不需要再区分是配置
CPU
版本的库还是
GPU
版本的库了。
首先，和
Anaconda
环境配置其他库一样，我们需要打开
Anaconda Prompt
软件；如下图所示。
随后，将会弹出如下所示的终端窗口。
接下来，我们即可开始
tensorflow
库的配置。由于我这里希望将
tensorflow
库配置到另一个已有的
Anaconda
虚拟环境中（这个虚拟环境的名称为
py36tf
，
Python
版本是
3.6
的），而不是当前这个默认的
base
环境，因此需要按照文章
创建Anaconda虚拟Python环境的方法
中提到的方法，首先进入这个名称为
py36tf
的虚拟环境中，如下图所示。
如果大家需要在默认的环境中配置
tensorflow
库，直接执行接下来的操作即可；如果大家希望新建一个环境来配置
tensorflow
库，那么参考上文提及的文章
创建Anaconda虚拟Python环境的方法
，创建并进入一个新的虚拟环境，再继续执行接下来的操作即可。
接下来，继续输入如下的代码，即可立即开始配置
tensorflow
库。
pip install --upgrade tensorflow
运行上述代码后，可以看到将立即开始
tensorflow
库的配置，如下图所示。其中，由于我这里
Python
版本是
3.6
的，而不是最新的
Python
版本，因此从下图可以看到
tensorflow
库版本也并不是最新的，而是
2.6.2
版本的——当然对我而言，这也就足够了。如果大家希望用最新版本的
tensorflow
库，需要注意同时使用最新的
Python
版本。
此外，这里有必要提一句——如果我用如下所示的代码进行
tensorflow
库的配置，配置得到的
tensorflow
库则是
1.X
版本的，而不是上面我们刚刚得到的是
2.X
版本，始终无法获取最新版本的
tensorflow
库；且之后无论怎么更新
tensorflow
库，都会出现报错信息。
conda install tensorflow
例如，在我的电脑上，如果运行上述代码，则结果如下图所示。
不知道具体是哪里的问题，从上图可以看到这种方法得到的
tensorflow
库始终是
1.X
版本（例如上图中显示
tensorflow
库就是
1.2.1
版本的）。所以，如果大家需要比较新版本的
tensorflow
库，还是建议用前面提到的
pip install --upgrade tensorflow
这句代码来实现。
让我们继续回到前述
tensorflow
库配置的工作中；稍等片刻，一般情况下即可完成
tensorflow
库的配置。这里需要注意，如果此时大家出现如下图所示的报错，则说明
tensorflow
库暂时还是没有配置成功。
这种情况是由于
pip
版本不够高导致的，因此我们需要通过如下所示的代码将
pip
升级。
python -m pip install --upgrade pip
输入上述代码，如下图所示。
运行这一代码后，我们重新运行一次
pip install --upgrade tensorflow
这句代码即可。可是在我这里，重新运行这句代码后，又出现了如下图所示的问题。
通过检查，发现网络代理的问题；将代理关闭后，即可解决问题（但是很奇怪，不知道为什么刚刚没有报这个错误，重新运行这句代码后才出现这样的错误）。最终，得到结果界面如下图所示。
接下来，我们可以输入如下的代码，从而检查
tensorflow
库是否已经配置成功。
python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
如下图所示，如果最终得到了一个
tf.Tensor
结果，即可说明我们的
tensorflow
库终于配置完毕了。
至此，大功告成。当然，到这里或许也不算完全成功——从上图可以看到，当前
tensorflow
库并没有进行
GPU
计算。如果大家的电脑上没有
GPU
，或者不需要用
GPU
加以计算，那就不用管这个问题，相当于已经完全成功了，后续直接开始用
tensorflow
库进行各类深度学习的应用即可；但是对于电脑上有
GPU
，并且也希望让
GPU
加入计算的用户而言，我们将在下一篇博客中介绍具体的配置方法。