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~

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<code>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<code>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<code>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<code>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<code>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<code>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<code>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<code>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<code>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。