本指南适用于 TensorFlow 的最新稳定版本。如需预览构建版本 (nightly)，请使用名为 tf-nightly 的 pip 软件包。有关旧版 TensorFlow 的要求，请参阅这些表格。如需仅使用 CPU 的构建版本，请使用名为 tensorflow-cpu 的 pip 软件包。
以下是安装命令的快速版本。向下滚动查看分步说明。
Linux
python3 -m pip install 'tensorflow[and-cuda]'
# Verify the installation:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
MacOS
# There is currently no official GPU support for MacOS.
python3 -m pip install tensorflow
# Verify the installation:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Windows 原生
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
# Anything above 2.10 is not supported on the GPU on Windows Native
python -m pip install "tensorflow<2.11"
# Verify the installation:
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Windows WSL2
python3 -m pip install tensorflow[and-cuda]
# Verify the installation:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
CPU
python3 -m pip install tensorflow
# Verify the installation:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Nightly 版本
python3 -m pip install tf-nightly
# Verify the installation:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
硬件要求
支持以下支持 GPU 的设备
- 具有 CUDA® 架构 3.5、5.0、6.0、7.0、7.5、8.0 及更高版本的 NVIDIA® GPU 卡。请参阅 CUDA® 支持的 GPU 卡列表。
- 对于具有不受支持的 CUDA® 架构的 GPU，或者为了避免来自 PTX 的 JIT 编译，或者为了使用不同版本的 NVIDIA® 库，请参阅 Linux 源码构建指南。
- 除了最新支持的 CUDA® 架构外，软件包不包含 PTX 代码；因此，当设置
CUDA_FORCE_PTX_JIT=1时，TensorFlow 无法在较旧的 GPU 上加载。（有关详情，请参阅应用程序兼容性。）
系统要求
- Ubuntu 16.04 或更高版本（64 位）
- macOS 12.0 (Monterey) 或更高版本（64 位）（无 GPU 支持）
- Windows 原生 - Windows 7 或更高版本（64 位）（TF 2.10 后无 GPU 支持）
- Windows WSL2 - Windows 10 19044 或更高版本（64 位）
软件要求
- Python 3.9–3.12
- Linux（需要
manylinux2014支持）和 Windows 需要 pip 19.0 或更高版本。macOS 需要 pip 20.3 或更高版本。 - Windows 原生需要 Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017 and 2019
以下 NVIDIA® 软件仅在支持 GPU 时才需要。
- NVIDIA® GPU 驱动程序
- Linux >= 525.60.13
- Windows 上的 WSL >= 528.33
- CUDA® Toolkit 12.3.
- cuDNN SDK 8.9.7.
- (可选) TensorRT，用于提高推理的延迟和吞吐量。
分步说明
Linux
1. 系统要求
- Ubuntu 16.04 或更高版本（64 位）
TensorFlow 仅官方支持 Ubuntu。但是，以下说明可能也适用于其他 Linux 发行版。
2. GPU 设置
如果您仅在 CPU 上运行 TensorFlow，则可以跳过此部分。
如果您尚未安装，请安装 NVIDIA GPU 驱动程序。您可以使用以下命令验证其是否已安装。
nvidia-smi
3. 使用 venv 创建虚拟环境
venv 模块是 Python 标准库的一部分，是官方推荐的创建虚拟环境的方式。
导航到您想要的虚拟环境目录，并使用以下命令创建一个名为 tf 的新 venv 环境。
python3 -m venv tf
您可以使用以下命令激活它。
source tf/bin/activate
确保虚拟环境在后续的安装过程中处于激活状态。
4. 安装 TensorFlow
TensorFlow 需要较新版本的 pip，因此请升级您的 pip 安装，以确保您运行的是最新版本。
pip install --upgrade pip
然后，使用 pip 安装 TensorFlow。
# For GPU users
pip install tensorflow[and-cuda]
# For CPU users
pip install tensorflow
6. 验证安装
验证 CPU 设置
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
如果返回了张量，则说明您已成功安装 TensorFlow。
验证 GPU 设置
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
如果返回了 GPU 设备列表，则说明您已成功安装 TensorFlow。如果不是，请继续下一步。
6. [仅限 GPU] 虚拟环境配置
如果上一节中的 GPU 测试未成功，最可能的原因是组件未被检测到，和/或与现有的系统 CUDA 安装冲突。因此，您需要添加一些符号链接来修复此问题。
- 创建指向 NVIDIA 共享库的符号链接
pushd $(dirname $(python -c 'print(__import__("tensorflow").__file__)'))
ln -svf ../nvidia/*/lib/*.so* .
popd
- 创建指向 ptxas 的符号链接
ln -sf $(find $(dirname $(dirname $(python -c "import nvidia.cuda_nvcc;
print(nvidia.cuda_nvcc.__file__)"))/*/bin/) -name ptxas -print -quit) $VIRTUAL_ENV/bin/ptxas
验证 GPU 设置
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
MacOS
1. 系统要求
- macOS 10.12.6 (Sierra) 或更高版本（64 位）
目前在 MacOS 上运行 TensorFlow 没有官方 GPU 支持。以下说明用于在 CPU 上运行。
2. 检查 Python 版本
检查您的 Python 环境是否已配置
python3 --version
python3 -m pip --version
3. 安装 TensorFlow
TensorFlow 需要较新版本的 pip，因此请升级您的 pip 安装，以确保您运行的是最新版本。
pip install --upgrade pip
然后，使用 pip 安装 TensorFlow。
pip install tensorflow
4. 验证安装
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
如果返回了张量，则说明您已成功安装 TensorFlow。
Windows 原生
1. 系统要求
- Windows 7 或更高版本（64 位）
2. 安装 Microsoft Visual C++ Redistributable
安装 Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017, and 2019。从 TensorFlow 2.1.0 版本开始，需要此软件包中的 msvcp140_1.dll 文件（旧版可再发行组件包可能不提供）。此可再发行组件包随 Visual Studio 2019 一起提供，但也可以单独安装。
- 前往 Microsoft Visual C++ 下载页面。
- 向下滚动页面至 Visual Studio 2015, 2017 and 2019 部分。
- 为您的平台下载并安装 Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017 and 2019。
确保在 Windows 上启用了长路径。
3. 安装 Miniconda
Miniconda 是安装支持 GPU 的 TensorFlow 的推荐方法。它创建一个独立的环境，以避免更改系统中已安装的任何软件。这也是安装所需软件的最简单方法，特别是对于 GPU 设置。
下载 Miniconda Windows 安装程序。双击下载的文件并按照屏幕上的说明进行操作。
4. 创建 conda 环境
使用以下命令创建一个名为 tf 的新 conda 环境。
conda create --name tf python=3.9
您可以使用以下命令停用和激活它。
conda deactivate
conda activate tf
确保它在后续的安装过程中处于激活状态。
5. GPU 设置
如果您仅在 CPU 上运行 TensorFlow，则可以跳过此部分。
如果您尚未安装，请首先安装 NVIDIA GPU 驱动程序。
然后使用 conda 安装 CUDA 和 cuDNN。
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
6. 安装 TensorFlow
TensorFlow 需要较新版本的 pip，因此请升级您的 pip 安装，以确保您运行的是最新版本。
pip install --upgrade pip
然后，使用 pip 安装 TensorFlow。
# Anything above 2.10 is not supported on the GPU on Windows Native
pip install "tensorflow<2.11"
7. 验证安装
验证 CPU 设置
python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
如果返回了张量，则说明您已成功安装 TensorFlow。
验证 GPU 设置
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
如果返回了 GPU 设备列表，则说明您已成功安装 TensorFlow。
Windows WSL2
1. 系统要求
- Windows 10 19044 或更高版本（64 位）。这对应于 Windows 10 版本 21H2（2021 年 11 月更新）。
请参阅以下文档以：
2. GPU 设置
如果您仅在 CPU 上运行 TensorFlow，则可以跳过此部分。
如果您尚未安装，请安装 NVIDIA GPU 驱动程序。您可以使用以下命令验证其是否已安装。
nvidia-smi
3. 安装 TensorFlow
TensorFlow 需要较新版本的 pip，因此请升级您的 pip 安装，以确保您运行的是最新版本。
pip install --upgrade pip
然后，使用 pip 安装 TensorFlow。
# For GPU users
pip install tensorflow[and-cuda]
# For CPU users
pip install tensorflow
4. 验证安装
验证 CPU 设置
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
如果返回了张量，则说明您已成功安装 TensorFlow。
验证 GPU 设置
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
如果返回了 GPU 设备列表，则说明您已成功安装 TensorFlow。
软件包位置
一些安装机制需要 TensorFlow Python 软件包的 URL。您指定的值取决于您的 Python 版本。