Python运行环境调试完毕后，下面的重点就是安装本书的主角TensorFlow 2.1。

1.5.1　安装TensorFlow 2.1的CPU版本

首先是对于版本的选择，读者可以直接在Anaconda命令端输入一个错误的命令：

     pip install tensorflow==3.0

这个命令是错误的，目的是查询当前的TensorFlow版本。笔者在写作这本书时所能获取的TensorFlow版本如图1.16所示。

图1.16　TensorFlow版本汇总

可以看到，最新的版本是2.1.0。其他名字中包含rc字样的一般为测试版，不建议安装。如果读者想安装CPU版本的TensorFlow，那么直接在当前的Anaconda输入命令“pip install tensorflow==2.1.0”即可。

     pip install –U tensorflow –© https://pypi.tuna.tsinghua.edu.cn/simple

1.5.2　安装TensorFlow 2.1的GPU版本

从CPU版本的TensorFlow 2.1开始深度学习之旅是完全可以的，但并不是笔者推荐的方式。相对于GPU版本的TensorFlow来说，CPU版本的运行速度存在着极大的劣势，很有可能会让深度学习止步于前。

实际上，配置一块能够达到最低TensorFlow 2.1 GPU版本的显卡（见图1.17）并不需要花费很多，从网上购买一块标准的NVIDIA 750ti显卡就能够基本满足读者起步阶段的基本需求。在这里需要强调的是，最好购置显存为4GB的版本。如果有更好的条件，NVIDIA 1050ti 4GB版本也是一个不错的选择。

图1.17　深度学习显卡

下面是本节的重头戏，TensorFlow 2.1 GPU版本的前置软件的安装。对于GPU版本的TensorFlow 2.1来说，由于调用了NVIDIA显卡作为其代码运行的主要工具，因此额外需要NVIDIA提供的运行库作为运行基础。

（1）首先也是版本的问题，笔者使用的TensorFlow 2.1运行的NVIDIA运行库版本如下：

·　CUDA版本：10.1。

·　CuDNN版本：7.6.5。

对应的版本一定要配合使用，建议不要改动，直接下载对应的版本即可。

CUDA的下载界面如图1.18所示，直接下载local版本安装即可。

图1.18　下载CUDA文件

（2）下载下来的是一个exe文件，自行安装即可。注意，不要修改其中的路径信息，完全使用默认路径安装即可。

（3）下载和安装对应的cuDNN文件。cuDNN的下载需要先注册一个用户，相信读者可以很快完成，之后直接进入下载页面，如图1.19所示。

图1.19　下载cuDNN文件

（4）下面是cuDNN的安装问题。下载的cuDNN是一个压缩文件，直接将其解压到CUDA安装目录即可，如图1.20所示。

图1.20　CUDA安装目录

（5）接下来对环境变量进行设置，这里需要将CUDA的运行路径加载到环境变量的Path路径中，如图1.21所示。

图1.21　将CUDA路径加载到环境变量的Path中

（6）最后完成TensorFlow 2.1 GPU版本的安装，只需一行简单的代码即可：

     pip install tensorflow-GPU=2.1.0

具体运行结果如图1.22所示。

图1.22　安装TensorFlow 2.1 GPU

1.5.3　练习——Hello TensorFlow

至此，我们完成了TensorFlow的安装。依次输入如下命令可以验证安装是否成功，效果如图1.23所示。

     Python
     import tensorflow as tf
     tf.constant(1.)+ tf.constant(1.)

图1.23　验证TensorFlow 2.1安装

在图1.23中展示了计算结果，即numpy=2.0（以numpy通用格式存储的一个浮点数2.0）。

或者打开前面安装的PyCharm IDE，新建一个项目，再新建一个.py文件，输入如下代码：

【程序1-2】

     import tensorflow as tf
     text = tf.constant("Hello Tensorflow 2.1")
     print(text)

打印结果如下： 1HCi4FZ3MajKYlS8d1PPzvnLCgjBPJECBi06Jcp7AQS+Rjjb649oh2yD6ARFddMK