Question

本指南将介绍如何在 Windows 上安装 TensorFlow。虽然这些说明可能也适用于其他 Windows 版本，但我们只在满足以下要求的计算机上验证过这些说明（而且我们只支持在此类计算机上按这些说明操作）：

• 64 位、x86 台式机或笔记本电脑
• Windows 7 或更高版本

选择准备安装的 TensorFlow 类型

从以下选项中选择您需要安装的 TensorFlow 类型：

• 仅支持 CPU 的 TensorFlow。 如果系统无 NVIDIA® GPU，则必须安装该版本。需要说明的是，该版本的 TensorFlow 相比另一版本更容易安装（通常 5 到 10 分钟即可完成安装），因此即使系统有 NVIDIA GPU，我们仍然推荐您优先安装该版本。预构建的二进制文件会使用 AVX 指令集。
• 支持 GPU 的 TensorFlow。 一般而言，TensorFlow 程序在 GPU 上的运行速度要明显高于在 CPU 上的。因此，如果您的系统含符合以下先决条件的 NVIDIA ® GPU，且需要运行性能关键型应用程序，那么您最终需要安装此版本的 TensorFlow。

运行支持 GPU 版本 TensorFlow 的要求

若使用本指南中介绍的任一方式来安装支持 GPU 的 TensorFlow，那么您必须在系统中安装如下 NVIDIA 软件：

• CUDA® Toolkit 9.0。详细说明请查看 NVIDIA 官方文档 。请确保您已按照 NVIDIA 官方文档描述将相关的 Cuda 路径名称添加到 %PATH% 环境变量中。
• 与 CUDA Toolkit 9.0 相关的 NVIDIA 驱动。
• cuDNN v7.0 版本。详细说明请查看 NVIDIA 官方文档 。需要注意的是，一般而言，cuDNN 的安装地址和其他 CUDA DLL 是不同的。同时，请确保将安装 cuDNN DLL 的目录添加到 %PATH% 环境变量中。
• 支持 CUDA Compute Capability 3.0 或更高版本的 GPU 卡，可用从源码构建或 3.5 或更高版本的二进制文件。请在 [NVIDIA 官方文档]（ http://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/ ) 中查询具备条件的 GPU 清单。

如果您使用的版本与上述要求不一致，请更新为规定的版本。特别说明的是，cuDNN 的版本必须与要求的一致：如果无法找到 cuDNN64_7.dll，那么 TensorFlow 将无法加载。如果您想使用其他版本的 cuDNN，您需要从源代码开始重新编译。

选择安装 TensorFlow 的方式

您需要选择安装 TensorFlow 的方式。当前的可选方式如下：

• 原生的 pip
• 使用 Anaconda

原生 pip 无需安装虚拟环境，可以直接在系统安装 TensorFlow。由于原生的一个 pip 安装应用并没有被隔离在一个独立的应用中，使用 pip 安装方法可能会影响到系统里其他基于 Python 的安装。但是，如果您了解您系统里的 pip 和 Python 环境，那么使用原生 pip 安装仅仅只需要一条命令就够了。而且，如果您使用原生的 pip 安装方法，那么用户可以从系统的任何路径去运行 TensorFlow 程序。

在 Anaconda 中，你可以使用 conda 去创建一个虚拟环境（virtural environment）。但是，如果是使用 Anaconda 方式，我们依然推荐使用 pip 安装命令来安装 TensorFlow，而不是 conda 安装命令。

注意： conda 包是由社区提供的，而不是官方。也就是说，TensorFlow 团队并不会测试也不会维护 conda 包。使用 conda 包需要您自己承担风险。

使用原生 pip 安装

如果您的机器上没有安装以下版本的 Python，请立刻安装：

• Python 3.5.x 64-bit from python.org
• Python 3.6.x 64-bit from python.org

在 Windows 上，TensorFlow 支持 Python3.5.x 版本和 Python 3.6.x 版本。需要注意的是， Python 3 使用的是 pip3 包管理， 这也是您用来安装 TensorFlow 的程序。

打开一个终端，开始安装 TensorFlow。然后在终端上运行正确的 pip3 安装命令。 安装仅支持 CPU 版本的 TensorFlow，请输入下面的命令：
C:\> pip3 install --upgrade tensorflow

安装 GPU 版本的 TensorFlow，请输入下面的命令：
C:\> pip3 install --upgrade tensorflow-gpu

使用 Anaconda 进行安装

Anaconda 的安装包是由社区提供，非官方提供的。

在 Anaconda 的环境下，按照以下步骤进行 TensorFlow 的安装：

1.根据网页 [Anaconda 下载站点]（ https://www.anaconda.com/download/）说明下载并安装 Anaconda。
2.请通过使用以下命令来创建一个名为 tensorflow 的 conda 环境：

C:\> conda create -n tensorflow pip python=3.5

3.通过输入以下命令来激活一个 conda 环境：

C:\> activate tensorflow
(tensorflow)C:\> # Your prompt should change

4.在 conda 环境里输入正确的命令来安装 TensorFlow。 安装仅支持 CPU 版本的 TensorFlow，请输入下面的命令：

(tensorflow)C:\> pip install --ignore-installed --upgrade tensorflow

如果是安装 GPU 版本的 TensorFlow，请输入下面的命令：

(tensorflow)C:\> pip install --ignore-installed --upgrade tensorflow-gpu

安装验证

打开一个终端。如果您采用 Anaconda 方式安装，则进入 Anaconda 环境。采用下列方式从你的 shell 激活 python：

$python

在 python 交互 shell 中输入下列代码：

>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))

如果系统的输出如下所示，那就说明您可以开始在上面撰写 TensorFlow 的程序了：

Hello, TensorFlow!

如果系统输出了一个错误信息而不是一个打招呼提示，请查看 常见安装问题 。

如果你是机器学习的新手，我们推荐以下内容：

• 机器学习速成教程
• Graph Execution 入门

Premade Estimators

常见安装问题

我们使用 Stack Overflow 来记录 TensorFlow 的安装问题和修正方法。下表中包含有一些常见安装问题在 Stack Overflow 上的回答链接。如果您遇到的错误消息或安装问题不在下表中，请在 Stack Overflow 上搜索它的答案。如果 Stack Overflow 上并没有显示这个错误消息或者安装问题的答案，请在 Stack Overflow 上提一个关于这个错误消息或者安装问题的新问题，并给这个问题指定一个 tensorflow 的标签。

Stack Overflow Link	Error Message
41007279	[...\stream_executor\dso_loader.cc] Couldn't open CUDA library nvcuda.dll
41007279	[...\stream_executor\cuda\cuda_dnn.cc] Unable to load cuDNN DSO
42006320	ImportError: Traceback (most recent call last): File "...\tensorflow\core\framework\graph_pb2.py", line 6, in from google.protobuf import descriptor as _descriptor ImportError: cannot import name 'descriptor'
42011070	No module named "pywrap_tensorflow"
42217532	OpKernel ('op: "BestSplits" device_type: "CPU"') for unknown op: BestSplits
43134753	The TensorFlow library wasn't compiled to use SSE instructions
38896424	Could not find a version that satisfies the requirement tensorflow

如果您发现本页面存在错误或可以改进，请 点击此处 帮助我们改进。