用conda创建多个命名环境并各装一个tensorflow版本是最稳定方式，因其能自动匹配python、cuda和cudnn二进制依赖；而venv+pip仅隔离python包，无法解决gpu运行时冲突。

直接用 conda 创建多个命名环境，每个环境装一个 TensorFlow 版本，是最稳定、最不容易出错的方式。用 venv + pip 也能做，但对 CUDA/cuDNN 兼容性、二进制包匹配更敏感，容易在 GPU 环境下失败。

用 conda 创建带指定 Python 和 TensorFlow 的隔离环境

conda 天然支持跨平台的二进制包管理，能自动拉取与 Python 版本、系统架构、CUDA 版本匹配的 tensorflow 或 tensorflow-gpu 包（2.10 之后官方已统一为 tensorflow，GPU 支持由安装时自动决定）。

• 创建并命名环境时就指定 Python 版本：conda create -n tf115 python=3.7
• 激活后安装特定版本：conda activate tf115 → pip install tensorflow==1.15.5
• 不要混用 conda install tensorflow 和 pip install tensorflow：前者可能降级其他依赖，后者更可控；尤其在已有环境里，优先用 pip
• 验证是否生效：python -c "import tensorflow as tf; print(tf.__version__)"，输出必须是预期版本

为什么不用 venv + pip 直接装多个 TensorFlow？

venv 只隔离 Python 包路径，不解决底层 CUDA 运行时冲突。当你在两个 venv 中分别装 tensorflow==2.8（需 CUDA 11.2）和 tensorflow==2.15（需 CUDA 12.2），它们共享系统级 libcudart.so 或 cudnn.dll，运行时大概率报 Symbol not found 或 version mismatch 错误。

python全能编程助手

SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、

下载

• 如果你确认只用 CPU 版本，venv 完全可行：python -m venv tf212-cpu → source tf212-cpu/bin/activate → pip install tensorflow-cpu==2.12.0
• Windows 下注意：激活脚本是 Scripts\activate.bat，不是 bin/activate
• 所有 venv 环境必须用对应 Python 解释器创建，不能跨版本复用（例如用 Python 3.9 创建的 venv 无法在 Python 3.11 下激活）

换源加速安装，避免超时中断

国内直连 PyPI 经常卡在 Downloading tensorflow-*.whl，尤其是 GPU 版本（200MB+）。清华源同步及时、校验严格，应设为默认。

• 临时生效（单次命令）：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ tensorflow==2.13.0
• 永久配置（推荐）：在用户目录下新建 pip.conf（Linux/macOS）或 pip.ini（Windows），写入：

  [global]
  index-url = https://pypi.tuna.tsinghua.edu.cn/simple/
  trusted-host = pypi.tuna.tsinghua.edu.cn

• conda 用户也建议配镜像源：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

环境命名和清理的实操细节

名字不是随便起的——它直接影响你三个月后是否还能快速定位哪个环境跑哪个模型。别用 env1、test 这类名字。

• 命名规则建议：tf215-py39-cu122（TensorFlow 版本- Python 版本-CUDA 版本），或 bert-tf114（项目名-框架版本）
• 删除环境前先确认：conda env list 查看当前所有环境，conda activate tf114 再 python -c "import tensorflow as tf; print(tf.version.GIT_VERSION)" 确保没切错
• 彻底删除：conda env remove -n tf114，不要手动删文件夹，否则 conda env list 里还会残留条目
• 导出依赖留痕：conda activate tf215-py39-cu122 → pip freeze > requirements-tf215.txt，这份文件比截图更可靠

真正麻烦的从来不是“怎么建多个环境”，而是忘记自己在哪一个环境里执行了 pip install，结果把包装进了 base 环境；或者在 PyCharm 里选错了 interpreter，调试时版本对不上。每次打开终端第一件事，先看提示符前缀或执行 conda info --envs 确认当前上下文。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！