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
- 建立乾淨的虛擬環境。
- 確認 Python 版本。
- 安裝 TensorFlow。
- 測試 import 是否正常。
- 確認 GPU 是否被偵測。
- 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。
發佈留言