查看大图

TensorFlow 学习要把张量、模型、训练和部署放在一条线上，而不是只看单段代码。阅读时可以按「为什么要使用虚拟环境？ -> 使用 Anaconda 创建虚拟环境 -> 案例：在虚拟环境中安装依赖包 -> 张量」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「为什么要使用虚拟环境？」，再查「使用 Anaconda 创建虚拟环境」。

在上一篇中，我们学习了如何安装 Anaconda，接下来我们将创建一个虚拟环境，以便于管理我们的项目依赖和包，这对 TensorFlow 的学习和开发至关重要。

为什么要使用虚拟环境？

虚拟环境为每个项目提供了一个独立的运行环境，这样可以避免不同项目之间因为库版本不同而导致的冲突。例如，如果一个项目需要 TensorFlow 2.4，而另一个项目却需要 TensorFlow 2.5，使用虚拟环境就能有效地解决这个问题。

查看大图

创建虚拟环境时，先确认环境名、Python 版本、TensorFlow 版本和验证命令。依赖隔离能减少升级和冲突风险。

使用 Anaconda 创建虚拟环境

下面我们来详细介绍如何使用 Anaconda 创建一个虚拟环境。

步骤 1: 打开 Anaconda Prompt

首先，打开你的 Anaconda Prompt，这可以在开始菜单中找到。

步骤 2: 创建虚拟环境

在 Anaconda Prompt 中输入以下命令，创建一个名为 tensorflow_env 的虚拟环境，并且指定 Python 版本（这里我们选择 Python 3.8）：

conda create --name tensorflow_env python=3.8

这条命令的意思是创建一个名称为 tensorflow_env 的环境，并安装 Python 3.8。conda 将开始下载所需的包，并在这个新的环境中安装。

步骤 3: 激活虚拟环境

成功创建虚拟环境后，接下来，需要激活它，以便我们可以在此环境中工作：

conda activate tensorflow_env

一旦激活，你的命令行提示符前应显示出 (tensorflow_env)，这表示你已成功进入这个虚拟环境。

步骤 4: 检查是否成功创建虚拟环境

你可以使用以下命令查看当前激活的环境，以及已安装的包：

conda info --envs

这将列出所有的环境，当前激活的环境前会有一个 * 号。

步骤 5: 退出虚拟环境

在完成需要的操作后，你可以通过以下命令退出当前的虚拟环境：

conda deactivate

返回到这个基础环境之后，提醒再次注意，你需要在你想要的虚拟环境中激活后再进行相应的包安装或运行项目。

案例：在虚拟环境中安装依赖包

假设你想在刚创建的 tensorflow_env 环境中安装 NumPy 和 Pandas 作为数据处理的依赖包。首先确保激活这个环境，然后运行以下命令：

conda install numpy pandas

这条命令将安装最新的 NumPy 和 Pandas 包。你可以通过 conda list 命令查看已安装的所有包。

查看大图

复习《创建虚拟环境》时，建议把关键概念、操作步骤和可见结果放在同一页里回看。

查看大图

练习《创建虚拟环境》时，建议把输入条件、处理动作和可见结果写在一起，方便下次复查。

小结

通过上述步骤，我们成功创建并管理了一个名为 tensorflow_env 的虚拟环境。这种方法不仅方便我们管理不同项目的依赖，还能为 TensorFlow 的学习和开发提供一个隔离的环境。

下一篇中，我们将进一步进行 TensorFlow 的安装，使用这个虚拟环境来确保一切顺利进行。所以，做好准备，继续我们的 TensorFlow 学习之旅吧！

查看大图

读《创建虚拟环境》时，可以先看配图里的任务、概念、练习和判断点，再回到正文补细节。这样更容易判断这篇内容能放到哪个真实场景里。