分類: 機器學習

一、前言

TensorFlow 是常見的深度學習框架，但在本機安裝時，經常會遇到 Python 版本、CUDA、cuDNN、NVIDIA Driver 與虛擬環境相容性的問題。

這篇文章整理 TensorFlow 安裝時需要注意的地方，避免在環境建置階段花太多時間踩坑。

二、為什麼建議使用虛擬環境？

Python 套件之間常常有版本相依問題。如果所有套件都安裝在同一個全域環境，之後很容易因為更新某個套件而讓其他專案壞掉。

因此在安裝 TensorFlow 前，建議先建立獨立的虛擬環境。這樣每個專案都能有自己的 Python 版本與套件版本。

conda create -n tf-env python=3.10
conda activate tf-env

三、安裝前需要確認的項目

• Python 版本是否符合 TensorFlow 支援範圍。
• NVIDIA Driver 是否正常安裝。
• 是否需要 GPU 版本。
• CUDA 與 cuDNN 版本是否相容。
• 是否在正確的虛擬環境中執行指令。

很多安裝失敗不是因為 TensorFlow 本身壞掉，而是版本搭配錯誤。

四、安裝 TensorFlow

在虛擬環境啟動後，可以使用 pip 安裝 TensorFlow：

pip install tensorflow

安裝完成後，可以用以下指令確認 TensorFlow 是否能正常載入：

python -c "import tensorflow as tf; print(tf.__version__)"

五、檢查 GPU 是否可用

如果目標是使用 GPU 加速，需要確認 TensorFlow 是否偵測到 GPU。

python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

如果輸出是空列表，代表 TensorFlow 沒有偵測到 GPU。這時候需要檢查 NVIDIA Driver、CUDA、cuDNN 或套件版本是否正確。

六、常見問題

1. Python 版本太新或太舊

TensorFlow 對 Python 版本有支援範圍。如果 Python 版本不符合，可能會出現找不到套件或安裝失敗的情況。

2. 裝在錯誤的環境

有時候看起來已經安裝成功，但執行程式時仍然顯示找不到 TensorFlow。這通常是因為安裝和執行使用的是不同 Python 環境。

3. GPU 沒有被偵測到

GPU 不能使用時，通常要先確認 nvidia-smi 是否正常。如果連 nvidia-smi 都無法顯示顯卡資訊，就代表問題可能在驅動程式。

七、建議流程

1. 建立乾淨的虛擬環境。
2. 確認 Python 版本。
3. 安裝 TensorFlow。
4. 測試 import 是否正常。
5. 確認 GPU 是否被偵測。
6. 再開始建立專案。

八、心得

TensorFlow 安裝最麻煩的地方不是指令本身，而是版本相容性。 如果一開始就先確認 Python、Driver、CUDA 與套件版本，可以避免很多不必要的錯誤。

環境建置雖然看起來只是準備工作，但對 AI 專案來說非常重要。穩定的環境可以減少後續開發時的干擾，讓注意力集中在模型與資料處理上。