笔者最近安装tensorflow遇到了各种坑，花了不少时间解决，这里总结一下，纪念被他折腾的那段时间⊙﹏⊙
安装环境
该篇文章是深度学习GPU工作站配置的系列文章之一，在上两篇文章中，笔者介绍了anaconda，jupyter，cuda，cudnn等各种基本运行条件，读者可以看看前面两篇文章
深度学习图形工作站环境安装与配置（1）CUDA和cuDNN的安装
深度学习图形工作站环境安装与配置（2）anaconda的安装与配置和jupyterlab的部署,开机自启动
我们的环境主要是基于Ubuntu 18.04 ，Anaconda 3等环境进行的
错误一：
找不到库，各种千奇百怪的错误
这个提示找不到库的错误主要是因为cuda和cudnn的版本和tensorflow所支持的版本不符，不能够兼容产生的错误，读者可以在tensorflow的官网找到相关的安装环境要求
cuda cudnn tensorflow的版本必须相对应，不能过高或过低，为此tensorflow给出了适合的编译环境
安装版本要求
你可以参照笔者的第一篇文章进行安装cuda等软件操作，或者升级到适应的版本
错误二：
使用
nvidia-smi
查看GPU使用情况
使用
top
查看CPU使用情况
发现虽然显存占了，但是GPU使用率几乎为0
这个错误是由于tensorflow版本>=tensorflow-gpu的版本
优先使用第一个CPU版
你可以使用
pip list
来检查版本以确定是不是这个错误，卸载掉cpu版或者将gpu版升级，cpu版降级都可以修好
直接卸载tensorflow cpu版比较方便，关于升降级见下
pip uninstall tensorflow
再此查看pip包列表，如果卸载了就ok了
错误三：
提示tf没有xx函数，程序明明在另一台电脑可以运行，但在这就不行了
这实际上是因为tf版本过高或过低，你需要安装合适的版本
首先把安装的tensorflow都卸载干净
pip uninstall tensorflow
pip uninstall tensorflow-gpu
安装你原来使用的指定版本
如果只有cpu的话
pip install tensorflow==版本号
如果需要用gpu版，不要安装cpu版了，执行
pip install tensorflow-gpu==版本号
注意cuda，cudnn，tf等的兼容问题，可以看看错误一
终极大招
可能读者会问，我是小白怎么办，搞不清各种关系。或者实验室又有老师用的tf版本不同，这个时候你可以使用docker安装tf镜像，相当于一个虚拟机，这个官网上有相关说明，笔者就不多说了
