1. 项目概述：为什么选择Anaconda3来安装TensorFlow 1.15.0？
如果你正在接触深度学习，尤其是想复现一些一两年前的经典项目或论文代码，那么“TensorFlow 1.15.0”这个版本号对你来说可能并不陌生。作为TensorFlow 1.x系列的最后一个稳定版本，1.15.0承上启下，既保留了1.x版本经典的静态图计算模式（Graph Execution），又初步引入了部分2.x的特性，是许多遗留项目运行所依赖的“黄金环境”。然而，直接通过pip安装它，尤其是在Windows系统上，常常会陷入各种依赖地狱和版本冲突的泥潭，一个下午可能就在反复的报错和重装中浪费掉了。
这正是我选择通过Anaconda3来部署TensorFlow 1.15.0的核心原因。Anaconda不仅仅是一个Python发行版，它更是一个强大的环境管理工具。对于TensorFlow这种对底层库（如CUDA、cuDNN）版本有严苛要求的框架，Anaconda的虚拟环境功能堪称救星。它允许你为每个项目创建独立的、纯净的Python运行环境，在这个环境里，你可以随意指定Python版本、安装特定版本的TensorFlow及其所有依赖，而完全不用担心会搞乱系统全局的Python环境或其他项目。今天这篇记录，就是把我最近为一个老项目搭建TF1.15环境的过程，从环境创建、依赖配置、到安装验证以及避坑心得，完整地梳理出来。无论你是深度学习新手，还是需要维护旧项目的开发者，这份手把手的指南都能帮你快速、稳定地搭建好这个“复古”但必要的工作环境。
2. 环境准备与Anaconda3基础配置
2.1 Anaconda3的安装与初始化检查
首先，确保你的系统已经安装了Anaconda3。如果你还没有安装，可以直接从官网下载对应操作系统的安装包。安装过程基本是“下一步”到底，但有两个关键点需要注意：一是建议将Anaconda添加到系统PATH环境变量（安装程序通常会勾选，如果没勾选建议手动勾上），这样你就可以在任意命令行终端中使用conda命令；二是安装路径最好不要包含中文或空格，避免一些潜在的奇葩问题。
安装完成后，打开你的命令行终端（Windows用CMD或PowerShell，macOS/Linux用Terminal），通过几个简单命令来验证安装是否成功并更新基础工具。
# 检查conda版本，确认安装成功 conda --version # 更新conda自身到最新版本，确保后续命令的稳定性和功能完整性 conda update conda -y # 更新所有预安装的基础包 conda update --all -y执行conda update --all -y可能会花点时间，但这一步很重要。Anaconda的基础环境（base）包含了很多科学计算的基础库，保持更新可以避免一些已知的兼容性问题。完成更新后，我们的“作战平台”就准备好了。
2.2 为TensorFlow 1.15.0创建专属虚拟环境
接下来，我们要为TensorFlow 1.15.0创建一个独立的虚拟环境。TensorFlow 1.15.0官方支持的最高Python版本是3.7，为了最大程度保证兼容性，我们选择Python 3.6或3.7。这里我选择Python 3.7。
# 创建一个名为`tf1_15`的虚拟环境，并指定Python版本为3.7 conda create -n tf1_15 python=3.7 -y这个命令会创建一个全新的、名为tf1_15的虚拟环境，里面只安装了Python 3.7和极少数必要的依赖，非常干净。-y参数表示自动确认，省去手动输入“y”的步骤。
创建完成后，激活这个环境，你的命令行提示符前通常会显示环境名(tf1_15)，表示后续的所有操作都只在这个“沙箱”内生效。
# 激活虚拟环境 conda activate tf1_15 # 激活后，检查当前Python路径和版本，确认已切换到新环境 which python # 在Linux/macOS上 # 或 where python # 在Windows上 python --version注意：如果你在Windows PowerShell中激活环境失败，提示命令无法识别，可能是因为PowerShell的执行策略限制。可以尝试先以管理员身份运行
conda init powershell初始化，然后重启PowerShell；或者直接使用系统自带的“Anaconda Prompt (Anaconda3)”这个专用终端，它开箱即用。
3. TensorFlow 1.15.0的核心安装策略与依赖解析
3.1 理解TensorFlow 1.15.0的两种安装包
在激活的tf1_15环境中，我们可以安装TensorFlow了。但这里有一个至关重要的选择：安装CPU版本还是GPU版本？
tensorflow==1.15.0: 这是纯CPU版本。它不依赖NVIDIA的CUDA和cuDNN，安装简单，适合没有NVIDIA显卡，或者暂时不需要用GPU进行加速计算的场景。对于学习、推理小模型或运行不复杂的代码，CPU版本完全足够。tensorflow-gpu==1.15.0: 这是GPU版本。要利用NVIDIA显卡进行大幅加速，必须安装此版本。但它有严格的先决条件：合适的NVIDIA显卡、对应版本的CUDA工具包和cuDNN库。对于TF 1.15.0，官方指定需要CUDA 10.0和cuDNN 7.4。
如果你的机器有NVIDIA显卡（建议计算能力3.5以上），并且愿意花点时间配置CUDA环境以获得数十倍的训练速度提升，那么应该选择GPU版本。否则，CPU版本是更简单稳妥的选择。本篇记录将以CPU版本的安装为主线，因为它的流程更通用。在最后，我会单独补充GPU版本的配置要点和常见陷阱。
3.2 使用国内镜像源加速安装
直接使用默认的pip源从国外下载速度可能很慢，甚至超时失败。强烈建议使用国内的镜像源，例如清华源或阿里云源。
# 使用清华镜像源安装TensorFlow 1.15.0 CPU版本 pip install tensorflow==1.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple这个命令会从清华大学的PyPI镜像站下载tensorflow-1.15.0-cp37-cp37m-...这样的wheel包及其所有依赖（如numpy,protobuf,absl-py等），并自动完成安装。整个过程通常几分钟就能完成。
实操心得：有时指定特定镜像源后仍会遇到某个依赖包下载慢的问题。可以尝试换用另一个镜像源，如阿里云（
-i https://mirrors.aliyun.com/pypi/simple/）。如果某个包始终失败，也可以先单独用pip install安装那个包，再重新安装TensorFlow。
4. 验证安装与基础功能测试
安装完成后，绝对不能想当然地认为成功了。必须进行验证，确保TensorFlow可以被正确导入并执行基本计算。
4.1 基础导入与版本检查
打开Python交互界面（在激活的tf1_15环境中输入python），执行以下代码：
import tensorflow as tf # 打印TensorFlow版本，确认是1.15.0 print(“TensorFlow版本:”, tf.__version__) # 打印TensorFlow的安装路径 print(“TensorFlow安装路径:”, tf.__path__)如果顺利输出版本号1.15.0和路径，说明核心包安装成功。
4.2 运行一个简单的计算图
TensorFlow 1.x的核心特点是“先定义计算图，后执行”。下面我们创建一个最简单的计算图来测试其功能是否正常。
import tensorflow as tf # 关闭TensorFlow 2.x的行为模式，确保1.x的兼容性（在1.15中这行代码通常不是必须的，但加上更安全） tf.compat.v1.disable_v2_behavior() # 定义两个常量张量 a = tf.constant(5.0, name=“a”) b = tf.constant(3.0, name=“b”) # 定义加法操作 c = tf.add(a, b, name=“sum”) # 在1.x中，需要创建一个会话来执行计算图 with tf.Session() as sess: result = sess.run(c) print(“a + b =”, result) # 预期输出: a + b = 8.0这段代码如果成功输出a + b = 8.0，那么恭喜你，一个完整的TensorFlow 1.15.0 CPU环境已经搭建并验证成功！你已经可以运行大部分基于TF 1.x静态图模式的代码了。
4.3 验证GPU支持（如安装GPU版本）
如果你安装的是tensorflow-gpu，还需要额外验证GPU是否被正确识别和使用。
import tensorflow as tf # 创建一个会话，并设置log_device_placement为True，这样运行时会打印出每个操作在哪个设备上执行 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: # 运行一个简单的矩阵乘法，这个操作在GPU上会快得多 matrix1 = tf.constant([[3., 3.]]) matrix2 = tf.constant([[2.],[2.]]) product = tf.matmul(matrix1, matrix2) result = sess.run(product) print(result)在输出结果中，你应该能看到类似/job:localhost/replica:0/task:0/device:GPU:0这样的日志信息，这表明计算确实被分配到了GPU上执行。如果只看到device:CPU:0，则说明GPU未启用，需要回头检查CUDA和cuDNN的安装配置。
5. GPU版本安装的深度配置与疑难排查
对于需要GPU加速的用户，安装tensorflow-gpu只是最后一步，前提是必须正确安装CUDA和cuDNN。这个过程是新手最容易踩坑的地方。
5.1 CUDA与cuDNN版本锁定与安装
TensorFlow 1.15.0严格要求 CUDA 10.0 和 cuDNN 7.4。版本不匹配是导致ImportError: Could not find ‘cudart64_100.dll’等错误的根本原因。
安装CUDA 10.0：
- 前往NVIDIA官网的CUDA Toolkit Archive，找到CUDA Toolkit 10.0并下载对应你操作系统的安装包。
- 运行安装程序。在“安装选项”中，建议选择“自定义”安装，并取消勾选“Visual Studio Integration”（除非你确定需要），然后安装。
- 安装完成后，将CUDA的
bin和libnvvp目录添加到系统PATH环境变量。例如，默认路径下添加：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\binC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\libnvvp
安装cuDNN 7.4 for CUDA 10.0：
- 前往NVIDIA官网的cuDNN Archive页面（需要注册账号）。下载对应CUDA 10.0的cuDNN 7.4版本（例如
cudnn-10.0-windows10-x64-v7.4.2.24.zip）。 - 下载后是一个压缩包，将其解压。你会看到
cuda文件夹，里面有bin,include,lib子文件夹。 - 手动复制这三个文件夹里的所有内容，分别粘贴到CUDA 10.0的安装目录（如
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0）下对应的bin,include,lib文件夹中。这是“合并”操作，不是替换。
- 前往NVIDIA官网的cuDNN Archive页面（需要注册账号）。下载对应CUDA 10.0的cuDNN 7.4版本（例如
在Conda环境中安装CUDA/cuDNN库： 为了让虚拟环境内的TensorFlow能找到这些库，一个更优雅的方式是使用conda直接安装对应版本的CUDA和cuDNN工具包。conda会把这些库安装到当前虚拟环境内部，实现环境隔离，避免污染系统。
conda activate tf1_15 conda install cudatoolkit=10.0 cudnn=7.6.5 -c conda-forge注意：Conda-forge源上的cuDNN版本可能没有精确的7.4，但7.6.5是向前兼容的，经测试可与CUDA 10.0和TF 1.15.0正常工作。这种方式比手动配置系统环境变量更可靠，尤其是在多版本CUDA共存时。
5.2 GPU环境常见错误与解决方案
即使按照上述步骤操作，仍可能遇到问题。下面是一个常见错误速查表：
| 错误信息或现象 | 可能原因 | 解决方案 |
|---|---|---|
ImportError: Could not find ‘cudart64_100.dll’ | 系统找不到CUDA 10.0的动态链接库。 | 1. 确认CUDA 10.0已正确安装且PATH包含其bin目录。2. 在虚拟环境中运行 conda install cudatoolkit=10.0。 |
ImportError: Could not find ‘cudnn64_7.dll’ | 系统找不到cuDNN 7的动态链接库。 | 1. 确认cuDNN文件已正确复制到CUDA目录。 2. 在虚拟环境中运行 conda install cudnn=7.6.5。 |
Loaded runtime CuDNN library: 7.4.5 but source was compiled with: 7.6.4 | cuDNN运行时库版本与编译时版本不匹配。 | 安装与TensorFlow二进制包编译时匹配的cuDNN版本。对于conda安装的TF，使用conda安装cudnn通常能自动匹配。 |
| 代码在CPU上运行，未使用GPU | 1. GPU版本TensorFlow未安装。 2. CUDA/cuDNN配置错误。 3. 代码中未指定使用GPU设备。 | 1. 确认安装tensorflow-gpu。2. 使用 tf.test.is_gpu_available()验证，并按上述步骤排查CUDA/cuDNN。3. 在代码中通过 tf.device(‘/GPU:0’)显式指定。 |
内存不足错误 (OOM when allocating tensor) | GPU显存被占用或不足。 | 1. 关闭其他占用GPU的程序。 2. 在创建Session时配置GPU选项，如 allow_growth=True，让TensorFlow按需增长显存使用：config = tf.ConfigProto()config.gpu_options.allow_growth = Truesess = tf.Session(config=config) |
6. 虚拟环境与开发工具的集成
环境搭建好之后，我们还需要在常用的IDE中使用它，比如PyCharm和Jupyter Notebook。
6.1 在PyCharm中使用该虚拟环境
- 打开PyCharm，进入你的项目。
- 打开
File -> Settings -> Project: [你的项目名] -> Python Interpreter。 - 点击右上角的齿轮图标，选择
Add...。 - 在左侧选择
Conda Environment，然后选择Existing environment。 - 在
Interpreter路径中，浏览并找到你Anaconda安装目录下的envs/tf1_15文件夹，选择里面的python.exe（Windows）或python（macOS/Linux）。 - 点击
OK。PyCharm会索引该环境下的所有包，完成后你就可以在项目中使用TensorFlow 1.15.0了。
6.2 将虚拟环境添加到Jupyter Notebook
如果你习惯使用Jupyter Notebook做实验，需要将该环境注册为Jupyter的一个内核。
# 首先，确保在 tf1_15 环境中 conda activate tf1_15 # 安装 ipykernel，这是创建内核所必需的 pip install ipykernel # 将此环境添加到Jupyter中，并为其命名（例如“TensorFlow 1.15”） python -m ipykernel install --user --name tf1_15 --display-name “TensorFlow 1.15 (Python 3.7)”完成后，打开Jupyter Notebook，在New按钮下拉菜单中，你就能看到名为“TensorFlow 1.15 (Python 3.7)”的内核选项了，选择它即可在该环境中运行代码。
7. 项目迁移与依赖管理的进阶技巧
当你成功搭建好环境并运行了自己的项目后，可能会遇到项目迁移或依赖复现的需求。
7.1 导出与复现环境依赖
为了在另一台机器上或将来复现完全相同的环境，你可以导出当前环境的所有包及其精确版本。
# 激活环境 conda activate tf1_15 # 将环境配置导出到 YAML 文件 conda env export > environment_tf1_15.yaml这个environment_tf1_15.yaml文件记录了所有通过conda安装的包。在另一台机器上，你可以通过以下命令重建环境：
conda env create -f environment_tf1_15.yaml注意事项：
conda env export会导出所有包，包括pip安装的，但pip包的跨平台兼容性有时不如conda包。对于纯pip管理的环境，可以使用pip freeze > requirements.txt导出，再用pip install -r requirements.txt安装。但在混合环境中，优先使用conda的YAML文件。
7.2 处理TensorFlow 1.x项目的常见兼容性问题
运行一些旧的TF1项目时，你可能会遇到因API变化导致的导入错误。TF 1.15提供了一些兼容性工具。
- 禁用V2行为：在代码开头加入
tf.compat.v1.disable_v2_behavior()，可以确保TF 1.15的行为更接近更早的1.x版本，避免一些来自TF 2的API干扰。 - 使用
tf.compat.v1：一些在TF 2中被移动或重命名的函数（如tf.placeholder,tf.session），在TF 1.15中可以通过tf.compat.v1命名空间访问，例如tf.compat.v1.placeholder。直接使用tf.compat.v1下的API是编写同时兼容TF 1.15和未来可能迁移的代码的一种方式，但在纯TF 1.x项目中，直接使用tf.即可。
最后，一个我个人的体会是，维护一个旧的深度学习框架环境就像维护一台老爷车，知其所以然比知其然更重要。搞清楚CUDA、cuDNN、Python版本、TensorFlow版本之间的依赖关系图，善用conda进行环境隔离，并养成导出环境配置的习惯，这些实践不仅能帮你解决TF 1.15的安装问题，也能让你在面对任何复杂的Python项目依赖时游刃有余。这个环境搭好后，你就可以安心地去跑通那些经典的AlexNet、VGG、或是你手头那个至关重要的遗留项目代码了。
