核心要点
TensorFlow 的版本号遵循 语义化版本控制（Semantic Versioning），格式为 Major.Minor.Patch（主版本号.次版本号.修订号）。
（图片来源网络，侵删）
- 主版本号: 当发生不兼容的 API 更改时递增（从 1.x 升级到 2.0 是重大变更）。
- 次版本号: 当向下兼容的功能性新增或重大变更时递增（从 2.5 升级到 2.6）。
- 修订号: 当向下兼容的错误修复时递增（从 2.6.0 升级到 2.6.1）。
TensorFlow 1.x vs. TensorFlow 2.x (最重要的区别)
社区的主流是 TensorFlow 2.x，你需要了解它们之间的巨大差异，以决定使用哪个版本。
| 特性 | TensorFlow 1.x (旧版) | TensorFlow 2.x (新版, 强烈推荐) |
|---|---|---|
| API 风格 | 命令式 (Eager Execution 默认关闭) 和 符号式 (Graph Execution) 混合，需要手动管理计算图。 | 命令式 (Eager Execution 默认开启)，代码更直观，像写普通的 Python 代码。 |
| 模型构建 | 主要使用 tf.Session() 和 tf.placeholder，代码冗长。 |
Keras 是官方高级 API，已成为标准，推荐使用 tf.keras 或 model subclassing。 |
| 执行方式 | 先定义计算图，然后在 Session 中运行。 |
即时执行，代码运行即得结果，便于调试。 |
| 迁移 | - | tf_upgrade_v2 工具可以帮助将 1.x 代码迁移到 2.x，但通常需要手动调整。 |
| 生态系统 | 有 tf.contrib，包含许多实验性功能，但 API 不稳定。 |
功能被整合进核心库或独立扩展包（如 tensorflow_hub, tensorflow_datasets），更稳定。 |
除非你有维护旧项目的特殊需求，否则请始终使用 TensorFlow 2.x。 它更现代、更易用、性能也更好。
如何选择 TensorFlow 2.x 的具体版本？
选择哪个次版本号取决于你的需求：
- 最新稳定版: 如果你想要最新的功能和错误修复，并且愿意承担可能存在的未知风险，可以选择最新的版本（
15.x），适合研究和前沿项目。 - 长期支持版: TensorFlow 团队会为特定版本提供长期支持，通常包括安全更新和关键错误修复，如果你在开发一个需要长期维护的生产环境项目，强烈推荐使用 LTS 版本。
- 当前最新的 LTS 版本是
12，它将获得支持直到 2025 年 10 月。 - 下一个 LTS 版本是
16，计划于 2025 年 3 月发布。
- 当前最新的 LTS 版本是
- 特定项目版本: 如果你正在跟进一个教程、一本书或一个开源项目，请确保使用该项目兼容的 TensorFlow 版本。
如何安装 TensorFlow？
安装 TensorFlow 非常简单，通常使用 pip。强烈建议在虚拟环境中进行，以避免与系统级的 Python 包冲突。
（图片来源网络，侵删）
步骤 1: 创建并激活虚拟环境
# 创建虚拟环境 (venv 是 Python 内置模块) python -m venv tf_env # 在 Windows 上激活 .\tf_env\Scripts\activate # 在 macOS/Linux 上激活 source tf_env/bin/activate
步骤 2: 选择并安装版本
打开激活后的终端,运行以下命令之一：
选项 A: 仅安装 CPU 版本 (推荐用于初学者和大多数用户)
CPU 版本安装更快，兼容性最好，非常适合学习、模型训练和部署在服务器上（除非你的应用场景必须依赖 GPU 的并行计算能力）。
# 安装最新的稳定版 pip install tensorflow # 安装特定的稳定版 (2.12.0) pip install tensorflow==2.12.0 # 安装最新的预览版 (不推荐生产环境使用) pip install tf-nightly
选项 B: 安装 GPU 版本 (需要硬件支持)
（图片来源网络，侵删）
GPU 版本可以利用 NVIDIA 的 CUDA 和 cuDNN 库来大幅加速模型训练。
先决条件:
- 一块兼容的 NVIDIA GPU。
- 安装了 NVIDIA 驱动程序。
- 安装了与 TensorFlow 版本匹配的 CUDA Toolkit 和 cuDNN SDK。
- 重要: TensorFlow 官方网站提供了详细的版本兼容性表格，TensorFlow 2.12 通常需要 CUDA 11.2 和 cuDNN 8.1，请务必查阅 官方安装指南 获取最准确的信息。
安装命令：
# 安装最新的带 GPU 支持的稳定版 pip install tensorflow[and-cuda] # 安装特定的带 GPU 支持的稳定版 pip install tensorflow==2.12.0[and-cuda]
如何检查和升级 TensorFlow 版本？
检查已安装的版本
安装完成后,你可以通过 Python 代码来验证：
import tensorflow as tf
print("TensorFlow 版本:", tf.__version__)
如果输出显示版本号,则说明安装成功。
升级 TensorFlow
如果你已经安装了 TensorFlow，想升级到最新版本：
# 在激活的虚拟环境中运行 pip install --upgrade tensorflow
针对不同 Python 版本的 TensorFlow
TensorFlow 对 Python 版本有要求，较新的 TensorFlow 版本通常只支持较新的 Python 版本。
| TensorFlow 版本 | 推荐的 Python 版本 |
|---|---|
| 12 | 8 - 3.11 |
| 11 | 7 - 3.10 |
| 10 | 7 - 3.10 |
| 9 | 7 - 3.10 |
| 8 | 7 - 3.10 |
| 7 | 7 - 3.10 |
| 6 | 7 - 3.9 |
| 5 | 7 - 3.9 |
| 4 | 7 - 3.9 |
| 3 | 7 - 3.8 |
| 2 | 6 - 3.8 |
| 1 | 6 - 3.7 |
| 0 | 6 - 3.7 |
最佳实践: 在创建虚拟环境时，就选择好与目标 TensorFlow 版本兼容的 Python 版本。
如果你想安装 TensorFlow 2.12，可以这样创建虚拟环境：
# 使用 python3.9 创建虚拟环境 python3.9 -m venv tf_env_2.12
- 首选版本: TensorFlow 2.x。
- 选择具体版本:
- 学习/研究: 用最新版 (
pip install tensorflow)。 - 生产环境: 使用长期支持版，如
12(pip install tensorflow==2.12.0)。
- 学习/研究: 用最新版 (
- 安装方式:
- CPU 版本:
pip install tensorflow(最简单)。 - GPU 版本: 需先安装好 NVIDIA 驱动、CUDA 和 cuDNN，然后运行
pip install tensorflow[and-cuda]。
- CPU 版本:
- 环境隔离: 务必使用虚拟环境 (
venv)。 - 兼容性: 注意 Python 版本 和 TensorFlow 版本 的对应关系。
