给大家分享一下TensorFlow在MAC系统中的安装步骤以及环境搭建的操作流程。

TensorFlow 底层的图模型结构清晰，容易改造；支持分布式训练；可视化效果好。如果做长期项目，接触较大数据集的话，TensorFlow很适用，而且谷歌也在不断优化完备它，对于使用深度学习朋友，TensorFlow是一个很好的工具。

在学习了一段时间台大李宏毅关于deep learning的课程，以及一些其他机器学习的书之后，终于打算开始动手进行一些实践了。

感觉保完研之后散养状态下，学习效率太低了，于是便想白天学习，晚上对白天学习的知识做一些总结和记录，如果有不妥的地方，欢迎大家批评指教，共同进步。

一、深度学习框架的选择

随着深度学习日趋火热，技术的逐渐兴起，各种深度学习框架也层出不穷。

目前使用普遍的框架有Tensorflow、Caffe、PyTorch、Theano、CNTK等，那么在这么多框架中该如何选择呢？

笔者作为一个初学者，架不住Tensorflow的名气之大，所以最开始便选择了Tensorflow。当然不仅仅只是因为名气大，Tensorflow作为谷歌主持的开源项目，它的社区热度目前看来是旺盛的，而且现在也最为流行。听说，它是在谷歌总结了DistBelief的经验教训上形成的；它运行高效、可扩展性强，可以运行在手机、普通电脑、计算机群上。

下面再简单介绍一下其他深度学习框架的特点：

（1） Caffe：卷积神经网络框架，专注于卷积神经网络和图像处理，因为是基于C++语言，所以执行速度非常的快。

（2） PyTorch：动态computation graph！！！（笔者学习Tensorflow一段后，便会转学PyTorch试试看）

（3） Theano：因其定义复杂模型很容易，在研究中比较流行。

（4） CNTK：微软开发的，微软称其在语音和图像识别方面比其他框架更有优势。不过代码只支持C++.

Tensorflow的一些特性就不再说了，网络上相关资料也有很多。

下面就介绍一下Tensorflow的安装，笔者的安装顺序是首先安装Anaconda、然后安装Tensorflow、再安装Pycharm。

二、安装Anaconda

安装环境：

虽然笔者用的是mac，自带了Python，但是还是先安装了Anaconda（点击进入官网）。因为它集成了很多Python的第三方库，而且可以方便的管理不同版本的Python，在不同版本的Python之间切换。而且Anaconda是一个科学计算环境，在电脑上安装完Anaconda之后，除了相当于安装了Python，也安装好了一些常用的库。

笔者安装的是Python 2.7版的Anaconda，在安装好Anaconda之后，就已经安装好了Python和一些常用的库了。此外，还自动安装了Spyder。

Spyder是Python一个简单的集成开发环境，和其他的Python开发环境相比，它最大的优点就是模仿MATLAB的“工作空间”的功能，可以很方便地观察和修改数组的值。

在终端中输入Spyder就可以打开它了，如下图所示：

但是笔者更喜欢使用Pycharm作为开发环境

三、建立、激活、安装Tensorflow

打开终端，在上面输入：

conda create -n tensorflow python=2.7

然后等执行完毕之后，再执行：

source activate tensorflow

至此就激活了运行环境。

然后再执行pip install tensorflow以进行Tensorflow的安装。

然后再执行以下Hello Tensorflow代码测试Tensorflow是否安装成

import tensorflow as tf hello = tf.constant('Hello Tensorflow!') sess = tf.Session() print(sess.run(hello)) a = tf.constant(10) b = tf.constant(32) printf(sess.run(a+b))

如果正常的话会提示：

Hello Tensorflow! 42

四、PyCharm IDE

一直使用终端开发的话，实在是太过难用了。笔者选择了PyCharm作为开发环境，官网链接。这里笔者用的是社区版（free）。

（1）首先新建一个Pycharm的工程

因为是做Tensorflow的开发，所以这里我们只需要选择图中所示的interpreter即可。

~/anaconda2/envs/tensorflow/bin/python

这样就把Tensorflow环境包括了进来，超级方便。

如果平时开发，想用一些轻量级的环境，就选择其他Python解释器就可以了。

（2）运行一个demo进行测试

import tensorflow as tf hello = tf.constant('Hello, Tensorflow!') sess = tf.Session() print(sess.run(hello)) a = tf.constant(66) b = tf.constant(88) print(sess.run(a + b))

如果出现以下提示，就说明成功了，可以开始接下来的学习了~

Hello, Tensorflow! 154

五、总结

至此，我们便在机器上安装好了Tensorflow以及其开发环境。

总的来说，只需要以下几步：

安装Anaconda 通过conda建立Tensorflow运行环境 激活Tensorflow运行环境 安装Pycharm IDE

大家在本地MAC上安装的时候，很多坑是需要留意的，我们把经常遇到的坑给大家做了总结，希望你在安装的时候尽量的避免这些地方。

一般都是服务器上直接开干，但是也会有人在本机上装一下的，这里写下，tensorflow在mac上安装的坑，给后来者一个参考

1 安装教程

直接去官网按照说明安装就好，如果要安装GPU版本，先安装官网上的mac gnu设置教程，装下cud相关的工具，最后有个sample跑过了就算gpu计算环境配置成功

2 第一个坑

按照官网上的教程，直接使用pip安装方法就好，注意pip版本要大于8.1，然后你直接sudo pip install tensorflow （不加sudo会权限不够），然后一般会不通过，提示卸载numpy不成功。 

我认为是这样的原因：numpy是mac系统默认装的库，并且设置有保护，所以无法卸载，然后tensorflow需要更高版本的numpy，所以就不成功啦

解决方法如下：

去除mac系统的保护，1 重启电脑 2 重启看见苹果logo了，按住command + R ，进入恢复模式 3 然后在上面的终端工具里面，进入终端 4 在终端输入 csrutil disable 5 重启，然后再次执行pip安装 还不明白的话看这篇博客

3 第二个坑

操作成功的话，就成功安装啦，然后，进去python编辑行 

输入 import tensorflow 然后你会发现，RuntimeError: module compiled against API version 0xa but this version of numpy is 0x9 这个错误，说是你bumpy版本太低，这个时候表示日狗，刚才去除了保护，安装的时候已经bumpy更新到最新版了，查看numpy的版本也是最新版，查看版本方法可自行百度。 

解决这个坑的方法如下：

import numpy
numpy.__path__
#你会发现出现了一个包含XXX/Framework/xxx的路径，没错这还是系统安装的那个numpy的路劲，
#虽然你升级了，然是导入包的时候还是按照之前的路劲导入，所以版本过低，这个时候只需要把老的路径去掉
#就像这样，在终端中（不是python编辑模式下）输入：
sudo mv /System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/numpy /System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/numpy_old

然后再次进入python编辑模式，输入

import numpy
numpy.__path__
#这个时候，路劲就变成了，我们升级的那个numpy的路径了，是个XXX/local/xxx

然后你再import tensorflow 就没问题啦，就可以去输出hello world 了