工欲善其事，必先利其器。首先我們需要花費一些時間來搭建開發環境。
1.安裝python。python是人工智慧開發首選語言。
2.安裝virtualenv。virtualenv可以為一個python應用建立一套隔離的執行環境，避免不同版本的python或第三方庫互相影響。類似的虛擬環境還有anaconda，anaconda自帶常用庫，因此安裝包有幾百兆，與anaconda相比，virtualenv更輕量化，只有十幾兆的大小，可定製化高，推薦virtualenv。使用virtualenv這種虛擬環境的好處是安全，如果某個版本庫裝壞了，直接刪除這個虛擬環境的資料夾即可，不必重灌系統的python。
3.安裝常用的第三方庫。常用的有numpy（科學計算）、scipy（科學計算）、matplotlib（作圖）、sciket-learn（機器學習）、keras（tensorflow的高層封裝）、tensorflow（深度學習）。使用pip速度慢的問題點這裡檢視解決方法。
4.安裝CUDA和cuDNN（GPU版tensorflow）
Mac OS基於Unix，相比Windows做開發更方便，但是最大的缺點就是非常封閉，各種沙盒安全機制，可能正是由於這個原因，Google在後期的Tensorflow GPU版本中放棄了對Mac的支援。本文介紹Mac OS和Windows兩種系統中的環境搭建。Mac OS中，使用僅cpu版本的tensorflow（當然也可以安裝舊版本的支援gpu的版本，前提是你的顯示卡是Nvidia的卡）；Windows中，使用支援gpu版本的tensorflow。筆者目前是使用雙系統，跑普通機器學習演算法和不是很深的神經網路時使用Mac OS，跑深一些的神經網路使用Windows，畢竟gpu比cpu快的多。（英偉達官方說計算能力3.0或更高的NVIDIA顯示卡才支援gpu版tensorflow，所以安裝之前到這裡查詢一下你的顯示卡的算力，如果小於3，還是老老實實安裝cpu版的吧。）
Mac OS
1.安裝python
Mac OS自帶python2.7，我們需要自己安裝python3。目前tensorflow在Mac中支援的python版本為2.7、3.4、3.5、3.6。我們使用3.6版本。下載地址：點這裡。安裝也很簡單，一直next就好了。開啟終端輸入
python3
出現下面提示說明已經安裝成功：
Python 3.6.7 (v3.6.7:6ec5cf24b7, Oct 20 2018, 03:02:14)
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>>
2.安裝virtualenv
在終端輸入：
sudo pip install --upgrade virtualenv
安裝完成，建立一個全新的 virtualenv 環境，例如我們想建立一個叫AI的開發環境，路徑為~，那麼我們輸入：
virtualenv --no-site-packages ~/AI
–no-site-packages是不復制系統python中的庫，安裝的就是一個不帶任何第三方庫的很乾淨的環境。如果想拷貝系統python中的庫，需要使用--system-site-packages。
如果系統中有多個python，比如同時有python2和python3，想建立一個python2.7的環境，可以輸入：
virtualenv -p /usr/bin/python2 --no-site-packages ~/
進入這個環境：
source ~/AI/bin/activate
此時終端字首變成
(AI) ~ $:
這時候就可以在這個環境安裝第三方庫了，系統Python環境不受任何影響。安裝時直接用pip，不需要使用sudo。例如安裝numpy：
(AI) ~ $: pip install numpy
退出環境：
(AI) ~ $: deactivate
就回到正常環境了，終端變回：
~ $:
3.安裝常用的第三方庫
進入虛擬環境：
source ~/AI/bin/activate
安裝numpy：
(AI) ~ $: pip install numpy
安裝scipy：
(AI) ~ $: pip install scipy
安裝matplotlib：
(AI) ~ $: pip install matplotlib
安裝sciket-learn：
(AI) ~ $: pip install sklearn
安裝keras：
(AI) ~ $: pip install keras
安裝tensorflow：
(AI) ~ $: pip install storage.googleapis.com/tensorflow/…
其它版本點這裡
4.測試執行
import tensorflow as tf
import numpy as np
hello=tf.constant('hhh')
sess=tf.Session()
print (sess.run(hello))
如果沒有報錯說明安裝成功了。
Windows
1.安裝python
Windows不自帶python，目前tensorflow在Win中支援的python版本為3.5、3.6。我們使用3.6版本。直接下載python3.6安裝就好了。下載地址：點這裡。安裝也很簡單，一直next就好了。
新增python的環境變數：
“我的電腦”-“屬性”-“高階系統設定”-“環境變數”，在“系統變數”中選中“Path”,點“編輯”，加上python的路徑，例如“C:\Python36”。這樣就可以在命令提示符中使用python了。開啟命令提示符輸入
python
出現下面提示說明已經安裝成功：
Python 3.6.7 (v3.6.7:6ec5cf24b7, Oct 20 2018, 03:02:14)
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>>
2.安裝virtualenv
新增pip的環境變數：
環境變數“Path”中加上python\Script的路徑，例如“C:\Python36\Script”。這樣就可以在命令提示符中使用pip了。
在命令提示符輸入：
pip install --upgrade virtualenv
安裝完成，建立一個全新的 virtualenv 環境，例如我們想建立一個叫AI的開發環境，路徑為C:Users\xxx\，那麼我們輸入：
virtualenv --no-site-packages C:Users\xxx\AI
安裝完成。使用和上文Mac中類似，不再贅述。
3.安裝常用的第三方庫
和上文Mac中類似，不再贅述。只需注意tensorflow選擇win版支援gpu的版本。
pip install storage.googleapis.com/tensorflow/…
4.安裝CUDA和cuDNN
因為在Windows中我們安裝的是支援gpu的tensorflow，因此比Mac中多兩個安裝步驟。CUDA是由NVIDIA推出的通用平行計算架構，該架構使GPU能夠解決複雜的計算問題。cuDNN是NVIDIA專門針對深度神經網路（Deep Neural Networks）中的基礎操作而設計基於GPU的加速庫。下面我們來安裝它們。
首先確保電腦安裝好了Nvidia顯示卡驅動，開啟控制皮膚---NVIDIA控制皮膚---幫助---系統資訊---元件，如果支援CUDA會有NVCUDA.DLL 以及支援的CUDA版本。
根據查詢到的支援的CUDA版本到這裡查詢匹配的tensorflow和cuDNN版本。
注意一定要版本匹配！
注意一定要版本匹配！
注意一定要版本匹配！
根據查詢好的版本下載正確的CUDA（下載地址：點這裡）和cuDNN（下載地址：點這裡）。
CUDA下載好是exe檔案，直接雙擊安裝。安裝好路徑像下面這樣"C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0"。
cuDNN下載好是一個壓縮包，裡面有3個資料夾。一個include，一個lib64，還有一個bin。把它們複製到上面CUDA的安裝資料夾（"C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0"）中。
配置環境變數，在環境變數“Path”中加上這三個路徑：
a."C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64
b."C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin
c."C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0
安裝完成。
5.測試執行
import tensorflow as tf
import numpy as np
hello=tf.constant('hhh')
sess=tf.Session()
print (sess.run(hello))
如果沒有報錯說明安裝成功了，如果報錯請仔細檢查版本，python版本+tensorflow版本+CUDA版本+cuDNN版本。
最後預祝大家安裝順利！