在官方文档中提到，TensorFlow的安装主要有以下五种形式：
Pip安装：这种安装形式类似于安装其他的Python安装包。会影响到机器上当前的Python环境，可能会与已安装的某些版本相冲突。
Virtualenv安装：将TensorFlow安装在指定路径下，与当前的Python环境相隔离。
Anaconda安装：以Anaconda为基础安装TensorFlow，和上面的形式相同，也与当前Python环境相隔离。在使用TensorFlow时不影响其他Python应用的使用。
Docker安装：在Docker中隔离安装TensorFlow
从源码安装：编译源码生成TensorFlow的安装whell文件。
在安装过程中，尝试了Pip安装和Anaconda安装两种形式。其中Pip安装过程比较简单，按照官方文档中的步骤进行即可。接下来主要描述的是Anaconda安装的过程。
一、Anaconda和TensorFlow环境 1、Anaconda安装 首先去本文最后的Anaconda官方下载地址下载Anaconda安装文件Anaconda2-4.2.0-Linux-x86_64.sh。
下载完成后上传到服务器中，在文件路径下执行如下命令：
bash Anaconda2-4.2.0-Linux-x86_64.sh
接下来按照提示设置一些安装路径等参数，Anaconda安装完成后，会安装很多Python中常用的package，比如ipython和jupyter等。
2、TensorFlow环境配置和切换安装完成后，使用如下命令生成一个名为tensorflow的conda环境，根据python版本选择正确的命令执行即可
# Python 2.7 $ conda create -n TensorFlow python=2.7 # Python 3.4 $ conda create -n TensorFlow python=3.4 # Python 3.5 $ conda create -n TensorFlow python=3.5 生成conda环境主要是可以自由切换tensorflow环境和普通python环境。
（1）进入TensorFlow环境
使用如下命令进入TensorFlow环境：
source activate tensorflow
此时界面如图所示，可以看到，在这里会将/usr/local/ml/anaconda2/envs/tensorflow/bin配置到PATH变量前，
（2）退出tensorflow环境
使用如下命令可以从tensorflow环境中退出：
source deactivate
结果如下，可以看到这两种环境下python的执行路径是不相同的
在官方文档中介绍了在Anaconda中安装TensorFlow有两种方法，一种是使用conda安装，另一种是使用pip安装。在实际操作时发现由于网络原因，稍大一点的安装包就会长时间卡住无响应。可以考虑将需要的安装包下载后以local模式进行安装，在操作中发现pip安装可下载的资源比较多，而conda安装资源比较难找，所以接下来以pip的方式进行安装。
在conda安装时，可以看到TensorFlow需要依赖的package及版本如下：
在pip安装模式下，根据安装过程的提升，将对应版本的安装文件从本文最末的Python安装包下载地址中下载到本地。比如在此次安装过程中，我手动下载了几个比较大的安装文件，如下所示
pip install numpy-1.11.2-cp27-cp27mu-manylinux1_x86_64.whl pip install protobuf-3.0.0-py2.py3-none-any.whl pip install tensorflow-0.11.0rc0-cp27-none-linux_x86_64.whl 2、遇到的报错安装完成后，在tensorflow环境下执行示例代码时发现了如下的一个报错
ImportError: libcudart.so.7.0: cannot open shared object file: No such file or directory ... Error importing tensorflow. Unless you are using bazel 经排查发现是tensorflow安装文件下载错误导致的。我本想安装的是CPU Only版本，而错误安装了一个GPU enabled版本。
有关该错，还可以
重新安装对应版本后错误消失。
3、验证安装是否正确官方文档中提供一段检查tensorflow安装是否正确的代码，如下所示
$ python ... >>> import tensorflow as tf >>> hello = tf.constant('Hello, TensorFlow!') >>> sess = tf.Session() >>> print(sess.run(hello)) Hello, TensorFlow! >>> a = tf.constant(10) >>> b = tf.constant(32) >>> print(sess.run(a + b)) 42 >>> 运行结果如下所示：
