1. 查看Anaconda中的所有虚拟环境
2. 创建和移除Anaconda虚拟环境
3. 克隆Anaconda虚拟环境
方式1：使用yml文件
方式2：使用--clone命令行参数克隆虚拟环境
4. 安装和移除TensorFlow2.x
5. 安装和移除TensorFlow1.x
6. 在PyCharm中切换TensorFlow1和TensorFlow2
TensorFlow是Google推出的深度学习框架，也是使用最广泛的深度学习框架。目前最新的TensorFlow版本是2.1。可能有很多同学想跃跃欲试安装TensorFlow2，不过安装完才发现，TensorFlow2与TensorFlow1的差别非常大，基本上是不兼容的。也就是说，基于TensorFlow1的代码不能直接在TensorFlow2上运行，当然，一种方法是将基于TensorFlow1的代码转换为基于TensorFlow2的代码，尽管Google提供了转换工具，但并不保证能100%转换成功，可能会有一些瑕疵，而且转换完仍然需要进行测试，才能保证原来的代码在TensorFlow2上正确运行，不仅麻烦，而且非常费时费力。所以大多数同学会采用第二种方式：在机器上同时安装TensorFlow1和TensorFlow2。这样以来，运行以前的代码，就切换回TensorFlow1，想尝鲜TensorFlow2，再切换到TensorFlow2。那么具体如何做才能达到我们的目的呢？本文将详细讲解如何通过命令行的方式和PyCharm中安装多个Python环境来运行各个版本TensorFlow程序的方法。
不管安装哪一个版本的TensorFlow，都需要Python环境。推荐安装Anaconda环境，因为Anaconda环境不仅包含了Python运行环境，还包含了很多常用的Python库。如numpy、pandas等。不过Anaconda本身并不包含TensorFlow。Anaconda环境除了附带了众多Python库外，还支持多个虚拟环境，这这是TensorFlow1.x和TensorFlow2.x共存的关键。
读者可以到下面的页面下载与您使用的平台对应的Anaconda版本，然后直接安装即可。
https://www.anaconda.com/distribution/
1. 查看Anaconda中的所有虚拟环境
由于在机器上安装多个TensorFlow环境，需要依赖于Anaconda的虚拟环境。所以首先使用下面的命令查看Anaconda当前的虚拟环境。
conda info --envs
如果是新安装的Anaconda，会输出下图所示的信息。这是在Linux下的输出结果，在Windows和macOS下的输出结果类似。
我们可以看到，Anaconda最初只有一个名为base的环境，这是默认的换。如果下载的是Python3.7的Anaconda版本，那么这个环境的Python版本就是Python3.7。并不建议读者直接修改base环境。而是建立两个单独的虚拟环境来分别安装TensorFlow1.x和TensorFlow2.x。
2. 创建和移除Anaconda虚拟环境
可以通过下面的命令创建一个名为tf2的虚拟环境。这里创建Python版本为3.7.4的虚拟环境
conda create --name tf2 python=3.7.4
在创建的过程中会询问是否安装必要的包，如下图所示。
输入y，按Enter键，会安装这些包。如果成功创建了tf2虚拟环境，那么会输出如下图的信息。
注意，在创建虚拟环境的过程中，会通过Internet下载相关的库，可能在国内有些慢。最好的方式是设置国内的镜像。读者可以使用下面的命令查看Anaconda当前的镜像。
conda config --show channels
如果在此之前设置了其他的镜像，可以使用下面的命令删除这些镜像。
conda config --remove channels 镜像名
这里的镜像名就是使用conda config --show channels命令列出的镜像名。
读者可以使用下的命令添加新的镜像。
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
conda config --set show_channel_urls yes的意思是从channel中安装包时显示channel的url，这样就可以知道包的安装来源了。
如果想删除某一个镜像（channel），可以使用下面的命令：
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
设置完镜像后，使用conda config --show channels命令，会看到新添加的镜像，如下图所示。
现在回到主题，在前面已经创建了一个名为tf2的虚拟环境，接下来用下面的命令激活tf2。
conda activate tf2
如果想移除虚拟环境，可以使用下面的命令：
conda remove -n tf2 --all
3. 克隆Anaconda虚拟环境
通过前面的命令创建的虚拟环境只安装了一些基本的库，如果想与base环境安装相同的库，可以使用下面两种方式创建虚拟环境。
方式1：使用yml文件
yml文件是普通的文本文件，里面包含了当前虚拟环境已经安装的部分或全部的库的目录，Anaconda会根据yml文件在其他虚拟环境中安装这些库。操作步骤如下：
步骤1：导入yml文件
切换到base环境，然后使用下面的代码导出yml文件（注意，文件扩展名必须是yml，文件名可以随便起）。
conda env export | grep -v "^prefix: " > env.yml
在这条命令里使用grep去除了带prefix的项，如果不去除，在env.yml文件中就会多了类似下面的项，这是当前环境的，在导入时不需要。
prefix: /Users/lining/opt/anaconda3
步骤2：导入yml文件
使用下面的命令在创建虚拟环境时会根据env.yml文件中的内容安装相应的库，需要使用-p命令行参数指定虚拟环境的绝对路径，如/home/user/anaconda3/envs/tf2。
conda env create -f env.yml -p /home/user/anaconda3/envs/tf2
或者使用-n或--name指定虚拟环境的名字：
conda env create -f env.yml -n tf2
在安装完相关的库后，可能当前的python可执行程序指向的不是/home/user/anaconda3/envs/tf2/bin/python，所以可以进入/home/user/anaconda3/envs/tf2/bin目录执行python命令，或将该命令的路径添加到Path环境变量中。
当然，使用conda activate tf2命令切换到tf2环境后，就不需要切换路径了，直接执行python命令即可。
方式2：使用--clone命令行参数克隆虚拟环境
使用下面的命令创建一个名为new_env的新虚拟环境，该虚拟环境会从本地克隆名为tensorflow2的虚拟环境中的所有内容（包括各种库）。克隆成功后，会显示如下图所示的信息。
conda create --name new_env --clone tensorflow2
4. 安装和移除TensorFlow2.x
本文主要用Ubuntu Linux讲解，Windows、macOS和Linux的操作基本一样。
到现在为止，虚拟环境已经准备完了，现在切换到tf2虚拟环境，然后使用下面的命令安装TensorFlow2。
安装不支持GPU的TensorFlow版本
pip install tensorflow
安装支持GPU的TensorFlow版本
pip install tensorflow-gpu
如果要升级TensorFlow，可以使用--upgrade命令行参数，命令如下：
pip install --upgrade tensorflow
pip install --upgrade tensorflow-gpu
与conda命令一样，使用pip命令在国内同样面临下载缓慢的问题，所以可以使用-i命令行参数指定pip的国内镜像，命令如下：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ tensorflow
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ tensorflow-gpu
执行上面的命令会自动下载安装最新的TensorFlow版本，目前是TensorFlow2.x，有大概421M，使用国内镜像一会就安装完。
现在进入python控制台，执行import tensorflow as tf命令导入TensorFlow库，然后执行tf.version查看TensorFlow的版本，我们会看到，版本是v2。如下图所示。在导入TensorFlow时可能会显示如下图的提示信息，这说明与GPU相关的库没有安装，需要到https://docs.nvidia.com/deeplearning/sdk/tensorrt-install-guide/index.html下载相关的库进行安装，如果只是做实验，不使用GPU的问题不大，所以读者不需要理会这些提示，并不影响正常使用TensorFlow训练模型。
移除TensorFlow，可以使用下面的命令
pip uninstall tensorflow
5. 安装和移除TensorFlow1.x
按前面的方法创建一个名为tf1的虚拟环境，然后使用conda activate tf1切换到该虚拟环境。然后使用下面的命令安装TensorFlow1.x的最新版（1.15）。
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ tensorflow==1.15
安装完后，进入python控制台，然后查看TensorFlow的版本，会输出如下图的信息（很明显，输出版本是v1）。
如果想使用TensorFlow2，那么只要使用conda activate tf2切换到tf2虚拟环境即可，使用TensorFlow1，再使用同样的方法切换回tf1虚拟环境。
6. 在PyCharm中切换TensorFlow1和TensorFlow2
使用TensorFlow训练模型，通常不会使用记事本或vi来编辑代码，这些简单的文本编辑器效率太低了。一般会选一款Python IDE，这里强烈推荐PyCharm，这是目前应用最广泛的Python IDE。这一节就介绍如何在Python IDE中拥有多个TensorFlow环境。
PyCharm仍然会使用Anaconda的虚拟环境。可以在PyCharm中创建新的Anaconda虚拟环境，也可以使用以前创建的虚拟环境。
现在进入PyCharm，打开Settings对话框（macOS版PyCharm是Preferences对话框）,找到Project Interpreter节点，点击该节点，在右侧会显示如下图的页面。
该页面是目前PyCharm所有已经配置的Python环境以及当前环境已经安装的库、版本等信息。如果要添加新的环境，可以点击Project Interpreter列表右侧的按钮，会打开Add Python Interpreter对话框。如下图所示。在左侧显示了可以建立的Python环境种类。如果要使用虚拟环境，可以使用前两项。其实这两项的效果类似。如果这个虚拟环境是Anaconda的，建议第2类（Conda Environment），进入该类环境，会显示如下图所示的页面。与第1类不同的是，如果选择已经存在的环境，会在Interpreter列表中列出已经在Anaconda中创建的虚拟环境，如下图所示。读者可以选择一个。例如，在前面创建的tf1和tf2。
当然，使用第一类虚拟环境也可以，不过要手动找打Anaconda虚拟环境目录，并选择虚拟环境中的python可执行文件（windows是python.exe），如下图所示。这里建议选择已经创建的虚拟环境，如果要新创建虚拟环境也可以，不过要使用前面讲的方法重新安装TensorFlow的各个版本。
创建完虚拟环境，点击OK按钮关闭Settings对话框，这是PyCharm会对新的虚拟环境重新建立索引，那么为什么要建立索引呢？这是因为PyCharm是支持支持编辑器的。也就是说，你输入一个对象变量，PyCharm会列出该对象中所有的属性、方法。那么这些数据是如何来的呢？Python并不像Java一样有class文件，可以直接通过反射获取。Python需要事先扫描虚拟环境中所有已经安装的模块中的函数、方法、属性，然后将其记录在PyCharm中，这样PyCharm才能知道当前虚拟环境有哪些模块，模块中有什么函数、方法、类、属性。所以这一过程比较慢，要耐心等待。
当建立索引完成后，创建一个test.py文件，然后输入Import ，再输入tensorflow中的前几个字母，PyCharm就会列出以这前几个字母开头的所有模块，如下图所示。这就是PyCharm扫描完所有模块后给用户的反馈。如果不建立索引，这些数据是根本出不来的。
然后可以编写下面的代码看看当前TensorFlow的版本。
代码语言：javascript复制import tensorflow as tf
print(tf.version)如果要切换TensorFlow环境，可以在PyCharm右上角点击运行列表的第1项：Edit Configurations...，如下图所示。
点击Edit Configurations...项，会弹出Run/Debug Configurations对话框，如下图所示。在左侧列表选择运行项，在右侧找到Python interpreter列表框，在里面选择已经创建的PyCharm运行环境。然后点击OK按钮关闭对话框，这时再运行test.py，就会使用新选择的Python虚拟环境了。
现在是不是很方便呢？当然，还可以利用虚拟环境来解决其他库的多版本共存问题。在后续的文章中，将利用这些技术来深入讲解关于机器学习、TensorFlow1和TensorFlow2的相关技术，欢迎关注我的后序文章。
