tensorflow-windows-wheel

3.7k 1.5k 简单 1 次阅读 2天前开发框架

AI 解读由 AI 自动生成，仅供参考

tensorflow-windows-wheel 是一个专为 Windows 用户打造的 TensorFlow 预编译二进制文件仓库。它主要解决了在 Windows 系统上安装 TensorFlow 时常见的两大痛点：一是官方版本通常要求 CPU 支持 AVX 指令集，导致老旧或低端电脑用户在安装时报错无法运行；二是用户自行编译支持 GPU 的版本过程繁琐且容易出错。

通过提供多种版本的 .whl 安装包，tensorflow-windows-wheel 让没有 AVX 指令集的旧款处理器也能顺利跑起 TensorFlow，只需下载对应的 SSE2 版本即可轻松规避 DLL 加载错误。此外，它还贴心地集成了不同版本的 CUDA 和 cuDNN 环境，覆盖了从 TensorFlow 1.14 到 2.9 的多个主流版本，并支持 Python 3.7 至 3.9，极大简化了深度学习环境的配置流程。

无论是正在学习深度学习的学生、需要快速搭建实验环境的研究人员，还是受限于硬件条件的开发者，都能从中受益。如果你正为在 Windows 上配置 TensorFlow 而头疼，或者手头是一台配置较低的电脑，tensorflow-windows-wheel 能让你跳过复杂的编译步骤，直接开始模型训练与开发工作。

使用场景

某高校实验室的研究员试图在一台配备老旧 Intel 处理器的 Windows 7 工作站上部署深度学习模型，以进行本地数据预处理和初步训练。

没有 tensorflow-windows-wheel 时

安装直接失败：执行官方 pip install tensorflow 命令后，程序立即报错 ImportError: DLL load failed，提示动态链接库初始化失败，无法进入开发环节。
硬件兼容性死结：由于旧款 CPU 不支持 AVX 指令集，而官方预编译包强制依赖 AVX，导致研究员被迫更换昂贵的新硬件或放弃本地调试。
环境配置耗时：为了绕过限制，团队不得不尝试从源码编译 TensorFlow，但在 Windows 环境下配置 VS 编译器、CUDA 和 Bazel 的过程极其繁琐，耗费数天仍难以成功。
版本选择受限：官方不再提供对旧版 Python（如 3.7/3.8）及旧显卡架构的 Windows GPU 支持，导致现有项目依赖的特定版本无法运行。

使用 tensorflow-windows-wheel 后

一键成功安装：研究员直接下载仓库中 sse2 文件夹下对应的 .whl 文件，通过 pip install 本地安装，瞬间完成部署且无报错。
利旧降本增效：利用专门针对非 AVX 处理器优化的二进制包，让这台低配老旧电脑重新焕发活力，无需任何硬件升级即可流畅运行推理任务。
开箱即用体验：无需手动编译源码或纠结复杂的编译器版本匹配，仓库已预先整合好 VS2019/2022 编译环境与特定 CUDA/cuDNN 版本，大幅降低门槛。
广泛版本覆盖：轻松获取从 TensorFlow 1.14 到 2.9 的多个历史版本，完美适配项目中遗留的 Python 3.7/3.8 环境及老款 GPU 算力需求。

tensorflow-windows-wheel 通过提供兼容旧硬件与多版本的预编译包，彻底消除了 Windows 用户在深度学习环境搭建上的“最后一公里”障碍。

运行环境要求

操作系统

Windows

GPU

可选
若需 GPU 支持，必须为 NVIDIA 显卡（计算能力 Compute 3.0 及以上），需安装特定版本的 CUDA 和 cuDNN（版本取决于 TensorFlow 版本，例如 TF 2.9.0 需 CUDA 11.7 + cuDNN 8.4）
若无 GPU，可使用 CPU 版本

内存

未说明

依赖

notes1. 此仓库专门提供 Windows 平台的 TensorFlow 预编译 Wheel 文件。 2. 特别支持不支持 AVX 指令集的老旧或低端 CPU：若您的 CPU 不支持 AVX，使用官方 TensorFlow 会报错，请从 'sse2' 文件夹下载对应的 .whl 文件进行安装。 3. 路径中包含 'avx2' 的文件适用于支持 AVX2 指令集的现代 CPU，性能更佳。 4. 安装时请使用命令 'pip install <文件名.whl>' 手动安装下载的文件，而非直接使用 'pip install tensorflow'。 5. GPU 版本需要严格匹配 README 表格中列出的 CUDA 和 cuDNN 版本以及对应的 NVIDIA 驱动版本。

python支持 Python 2.7, 3.5, 3.6, 3.7, 3.8, 3.9（具体版本取决于所需的 TensorFlow 版本，最新构建主要支持 3.8 和 3.9）

Visual Studio Build Tools (版本 ranging from VS2015 to VS2022)

CUDA Toolkit (版本 ranging from 8.0 to 11.7)

cuDNN (版本 ranging from 5.1 to 8.4)

快速开始

tensorflow-windows-wheel

这个仓库包含了在 Windows 上使用 TensorFlow 所需的一切。

支持 Python 3.9
支持 64 位 Windows 系统
支持旧版及低配置 CPU（不支持 AVX 指令集）
- 如果您的 CPU 不支持 AVX 指令，使用 TensorFlow 官方发布版本 1.6.0 及以上时（通过 pip install tensorflow 安装），可能会遇到 ImportError: DLL load failed: A dynamic link library (DLL) initialization routine failed.（Windows 10）或 ImportError: DLL load failed with error code -1073741795（Windows 7）的错误。
- 您可以改用从 sse2 文件夹下载的 .whl 文件，通过 pip install <filename.whl> 进行安装，以避免使用官方的 AVX 版本二进制文件。

路径	编译器	CUDA/cuDNN	SIMD	备注
2.9.0\py39\CPU+GPU\cuda117cudnn8sse2	VS2022 17.2	11.7.0_516.01/8.4.0.27	x86_64	Python 3.9/compute_35
2.9.0\py39\CPU+GPU\cuda117cudnn8avx2	VS2022 17.2	11.7.0_516.01/8.4.0.27	AVX2	Python 3.9/compute_35,sm_50,sm_52,sm_61,sm_70,sm_75,compute_86
2.8.0\py39\CPU+GPU\cuda115cudnn8sse2	VS2019 16.11	11.5.2_496.13/8.3.2.44	x86_64	Python 3.9/compute_35
2.8.0\py39\CPU+GPU\cuda115cudnn8avx2	VS2019 16.11	11.5.2_496.13/8.3.2.44	AVX2	Python 3.9/compute_35,sm_50,sm_52,sm_61,sm_70,sm_75,compute_86
2.7.0\py38\CPU+GPU\cuda115cudnn8sse2	VS2019 16.11	11.5.0_496.13/8.3.0.98	x86_64	Python 3.8/compute_35
2.7.0\py38\CPU+GPU\cuda115cudnn8avx2	VS2019 16.11	11.5.0_496.13/8.3.0.98	AVX2	Python 3.8/compute_35,sm_50,sm_52,sm_61,sm_70,sm_75,compute_86
2.6.0\py38\CPU+GPU\cuda113cudnn8sse2	VS2019 16.11	11.4.1_471.41/8.2.2.26	x86_64	Python 3.8/compute_35
2.6.0\py38\CPU+GPU\cuda113cudnn8avx2	VS2019 16.11	11.4.1_471.41/8.2.2.26	AVX2	Python 3.8/compute_35,sm_50,sm_52,sm_61,sm_70,sm_75,compute_86
2.5.0\py38\CPU+GPU\cuda113cudnn8sse2	VS2019 16.9	11.3.0_465.89/8.2.0.53	x86_64	Python 3.8/compute_35
2.5.0\py38\CPU+GPU\cuda113cudnn8avx2	VS2019 16.9	11.3.0_465.89/8.2.0.53	AVX2	Python 3.8/compute_35,sm_50,sm_52,sm_61,sm_70,sm_75,compute_86
1.15.4+nv20.12\py38\CPU+GPU\cuda111cudnn8sse2	VS2019 16.8	11.1.1_456.81/8.0.5.39	x86_64	Python 3.8/Compute 3.5
1.15.4+nv20.12\py38\CPU+GPU\cuda111cudnn8avx2	VS2019 16.8	11.1.1_456.81/8.0.5.39	AVX2	Python 3.8/Compute 3.5,5.0,5.2,6.1,7.0,7.5,compute_86
2.4.0\py38\CPU+GPU\cuda111cudnn8sse2	VS2019 16.8	11.1.1_456.81/8.0.5.39	x86_64	Python 3.8/compute_35
2.4.0\py38\CPU+GPU\cuda111cudnn8avx2	VS2019 16.8	11.1.1_456.81/8.0.5.39	AVX2	Python 3.8/compute_35,sm_50,sm_52,sm_61,sm_70,sm_75,compute_86
2.3.0\py38\CPU+GPU\cuda110cudnn8sse2	VS2019 16.6	11.0.2_451.48/8.0.2.39	x86_64	Python 3.8/compute_35
2.3.0\py38\CPU+GPU\cuda110cudnn8avx2	VS2019 16.6	11.0.2_451.48/8.0.2.39	AVX2	Python 3.8/compute_35,sm_50,sm_52,sm_61,sm_70,compute_75
2.2.0\py37\CPU+GPU\cuda102cudnn76sse2	VS2019 16.5	10.2.89_441.22/7.6.5.32	x86_64	Python 3.7/Compute 3.0
2.2.0\py37\CPU+GPU\cuda102cudnn76avx2	VS2019 16.5	10.2.89_441.22/7.6.5.32	AVX2	Python 3.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
2.1.0\py37\CPU+GPU\cuda102cudnn76sse2	VS2019 16.4	10.2.89_441.22/7.6.5.32	x86_64	Python 3.7/Compute 3.0
2.1.0\py37\CPU+GPU\cuda102cudnn76avx2	VS2019 16.4	10.2.89_441.22/7.6.5.32	AVX2	Python 3.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
2.0.0\py37\CPU\sse2	VS2019 16.3	无	x86_64	Python 3.7
2.0.0\py37\CPU\avx2	VS2019 16.3	无	AVX2	Python 3.7
2.0.0\py37\GPU\cuda101cudnn76sse2	VS2019 16.3	10.1.243_426.00/7.6.4.38	x86_64	Python 3.7/Compute 3.0
2.0.0\py37\GPU\cuda101cudnn76avx2	VS2019 16.3	10.1.243_426.00/7.6.4.38	AVX2	Python 3.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.15.0\py37\CPU+GPU\cuda101cudnn76sse2	VS2019 16.3	10.1.243_426.00/7.6.4.38	x86_64	Python 3.7/Compute 3.0
1.15.0\py37\CPU+GPU\cuda101cudnn76avx2	VS2019 16.3	10.1.243_426.00/7.6.4.38	AVX2	Python 3.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.14.0\py37\CPU\sse2	VS2019 16.1	无	x86_64	Python 3.7
1.14.0\py37\CPU\avx2	VS2019 16.1	无	AVX2	Python 3.7
1.14.0\py37\GPU\cuda101cudnn76sse2	VS2019 16.1	10.1.168_425.25/7.6.0.64	x86_64	Python 3.7/Compute 3.0
1.14.0\py37\GPU\cuda101cudnn76avx2	VS2019 16.1	10.1.168_425.25/7.6.0.64	AVX2	Python 3.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.13.1\py37\CPU\sse2	VS2017 15.9	无	x86_64	Python 3.7
1.13.1\py37\CPU\avx2	VS2017 15.9	无	AVX2	Python 3.7
1.13.1\py37\GPU\cuda101cudnn75sse2	VS2017 15.9	10.1.105_418.96/7.5.0.56	x86_64	Python 3.7/Compute 3.0
1.13.1\py37\GPU\cuda101cudnn75avx2	VS2017 15.9	10.1.105_418.96/7.5.0.56	AVX2	Python 3.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.12.0\py36\CPU\sse2	VS2017 15.8	无	x86_64	Python 3.6
1.12.0\py36\CPU\avx2	VS2017 15.8	无	AVX2	Python 3.6
1.12.0\py36\GPU\cuda100cudnn73sse2	VS2017 15.8	10.0.130_411.31/7.3.1.20	x86_64	Python 3.6/Compute 3.0
1.12.0\py36\GPU\cuda100cudnn73avx2	VS2017 15.8	10.0.130_411.31/7.3.1.20	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.12.0\py37\CPU\sse2	VS2017 15.8	无	x86_64	Python 3.7
1.12.0\py37\CPU\avx2	VS2017 15.8	无	AVX2	Python 3.7
1.12.0\py37\GPU\cuda100cudnn73sse2	VS2017 15.8	10.0.130_411.31/7.3.1.20	x86_64	Python 3.7/Compute 3.0
1.12.0\py37\GPU\cuda100cudnn73avx2	VS2017 15.8	10.0.130_411.31/7.3.1.20	AVX2	Python 3.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.11.0\py36\CPU\sse2	VS2017 15.8	无	x86_64	Python 3.6
1.11.0\py36\CPU\avx2	VS2017 15.8	无	AVX2	Python 3.6
1.11.0\py36\GPU\cuda100cudnn73sse2	VS2017 15.8	10.0.130_411.31/7.3.0.29	x86_64	Python 3.6/Compute 3.0
1.11.0\py36\GPU\cuda100cudnn73avx2	VS2017 15.8	10.0.130_411.31/7.3.0.29	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.11.0\py37\CPU\sse2	VS2017 15.8	无	x86_64	Python 3.7
1.11.0\py37\CPU\avx2	VS2017 15.8	无	AVX2	Python 3.7
1.11.0\py37\GPU\cuda100cudnn73sse2	VS2017 15.8	10.0.130_411.31/7.3.0.29	x86_64	Python 3.7/Compute 3.0
1.11.0\py37\GPU\cuda100cudnn73avx2	VS2017 15.8	10.0.130_411.31/7.3.0.29	AVX2	Python 3.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.10.0\py36\CPU\sse2	VS2017 15.8	无	x86_64	Python 3.6
1.10.0\py36\CPU\avx2	VS2017 15.8	无	AVX2	Python 3.6
1.10.0\py36\GPU\cuda92cudnn72sse2	VS2017 15.8	9.2.148.1/7.2.1.38	x86_64	Python 3.6/Compute 3.0
1.10.0\py36\GPU\cuda92cudnn72avx2	VS2017 15.8	9.2.148.1/7.2.1.38	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0
1.10.0\py27\CPU\sse2	VS2017 15.8	无	x86_64	Python 2.7
1.10.0\py27\CPU\avx2	VS2017 15.8	无	AVX2	Python 2.7
1.10.0\py27\GPU\cuda92cudnn72sse2	VS2017 15.8	9.2.148.1/7.2.1.38	x86_64	Python 2.7/Compute 3.0
1.10.0\py27\GPU\cuda92cudnn72avx2	VS2017 15.8	9.2.148.1/7.2.1.38	AVX2	Python 2.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.9.0\py36\CPU\sse2	VS2017 15.7	无	x86_64	Python 3.6
1.9.0\py36\CPU\avx2	VS2017 15.7	无	AVX2	Python 3.6
1.9.0\py36\GPU\cuda92cudnn71sse2	VS2017 15.7	9.2.148/7.1.4	x86_64	Python 3.6/Compute 3.0
1.9.0\py36\GPU\cuda92cudnn71avx2	VS2017 15.7	9.2.148/7.1.4	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0
1.9.0\py27\CPU\sse2	VS2017 15.7	无	x86_64	Python 2.7
1.9.0\py27\CPU\avx2	VS2017 15.7	无	AVX2	Python 2.7
1.9.0\py27\GPU\cuda92cudnn71sse2	VS2017 15.7	9.2.148/7.1.4	x86_64	Python 2.7/Compute 3.0
1.9.0\py27\GPU\cuda92cudnn71avx2	VS2017 15.8	9.2.148/7.1.3	AVX2	Python 2.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.8.0\py36\CPU\sse2	VS2017 15.4	无	x86_64	Python 3.6
1.8.0\py36\CPU\avx2	VS2017 15.4	无	AVX2	Python 3.6
1.8.0\py36\GPU\cuda91cudnn71sse2	VS2017 15.4	9.1.85.3/7.1.3	x86_64	Python 3.6/Compute 3.0
1.8.0\py36\GPU\cuda91cudnn71avx2	VS2017 15.4	9.1.85.3/7.1.3	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0
1.8.0\py27\CPU\sse2	VS2017 15.4	无	x86_64	Python 2.7
1.8.0\py27\CPU\avx2	VS2017 15.4	无	AVX2	Python 2.7
1.8.0\py27\GPU\cuda91cudnn71sse2	VS2017 15.4	9.1.85.3/7.1.3	x86_64	Python 2.7/Compute 3.0
1.8.0\py27\GPU\cuda91cudnn71avx2	VS2017 15.8	9.1.85.3/7.1.3	AVX2	Python 2.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.7.0\py36\CPU\sse2	VS2017 15.4	无	x86_64	Python 3.6
1.7.0\py36\CPU\avx2	VS2017 15.4	无	AVX2	Python 3.6
1.7.0\py36\GPU\cuda91cudnn71sse2	VS2017 15.4	9.1.85.3/7.1.2	x86_64	Python 3.6/Compute 3.0
1.7.0\py36\GPU\cuda91cudnn71avx2	VS2017 15.4	9.1.85.3/7.1.2	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0
1.7.0\py27\CPU\sse2	VS2017 15.4	无	x86_64	Python 2.7
1.7.0\py27\CPU\avx2	VS2017 15.4	无	AVX2	Python 2.7
1.7.0\py27\GPU\cuda91cudnn71sse2	VS2017 15.4	9.1.85.3/7.1.2	x86_64	Python 2.7/Compute 3.0
1.7.0\py27\GPU\cuda91cudnn71avx2	VS2017 15.8	9.1.85.3/7.1.3	AVX2	Python 2.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.6.0\py36\CPU\sse2	VS2017 15.4	无	x86_64	Python 3.6
1.6.0\py36\CPU\avx2	VS2017 15.4	无	AVX2	Python 3.6
1.6.0\py36\GPU\cuda91cudnn71sse2	VS2017 15.4	9.1.85.3/7.1.1	x86_64	Python 3.6/Compute 3.0
1.6.0\py36\GPU\cuda91cudnn71avx2	VS2017 15.4	9.1.85.3/7.1.1	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0
1.6.0\py27\CPU\sse2	VS2017 15.4	无	x86_64	Python 2.7
1.6.0\py27\CPU\avx2	VS2017 15.4	无	AVX2	Python 2.7
1.6.0\py27\GPU\cuda91cudnn71sse2	VS2017 15.4	9.1.85.2/7.1.1	x86_64	Python 2.7/Compute 3.0
1.6.0\py27\GPU\cuda91cudnn71avx2	VS2017 15.8	9.1.85.2/7.1.1	AVX2	Python 2.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.5.0\py36\CPU\avx	VS2017 15.4	无	AVX	Python 3.6
1.5.0\py36\CPU\avx2	VS2017 15.4	无	AVX2	Python 3.6
1.5.0\py36\GPU\cuda91cudnn7avx2	VS2017 15.4	9.1.85/7.0.5	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0
1.5.0\py27\CPU\sse2	VS2017 15.4	无	x86_64	Python 2.7
1.5.0\py27\CPU\avx	VS2017 15.4	无	AVX	Python 2.7
1.5.0\py27\CPU\avx2	VS2017 15.4	无	AVX2	Python 2.7
1.5.0\py27\GPU\cuda91cudnn7sse2	VS2017 15.4	9.1.85/7.0.5	x86_64	Python 2.7/Compute 3.0
1.5.0\py27\GPU\cuda91cudnn7avx2	VS2017 15.4	9.1.85/7.0.5	AVX2	Python 2.7/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5
1.4.0\py36\CPU\avx	VS2017 15.4	无	AVX	Python 3.6
1.4.0\py36\CPU\avx2	VS2017 15.4	无	AVX2	Python 3.6
1.4.0\py36\GPU\cuda91cudnn7avx2	VS2017 15.4	9.1.85/7.0.5	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0
1.3.0\py36\CPU\avx	VS2015 Update 3	无	AVX	Python 3.6
1.3.0\py36\CPU\avx2	VS2015 Update 3	无	AVX2	Python 3.6
1.3.0\py36\GPU\cuda8cudnn6avx2	VS2015 Update 3	8.0.61.2/6.0.21	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1
1.2.1\py36\CPU\avx	VS2015 Update 3	无	AVX	Python 3.6
1.2.1\py36\CPU\avx2	VS2015 Update 3	无	AVX2	Python 3.6
1.2.1\py36\GPU\cuda8cudnn6avx2	VS2015 Update 3	8.0.61.2/6.0.21	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1
1.1.0\py36\CPU\avx	VS2015 Update 3	无	AVX	Python 3.6
1.1.0\py36\CPU\avx2	VS2015 Update 3	无	AVX2	Python 3.6
1.1.0\py36\GPU\cuda8cudnn6avx2	VS2015 Update 3	8.0.61.2/6.0.21	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0
1.0.0\py36\CPU\sse2	VS2015 Update 3	无	x86_64	Python 3.6
1.0.0\py36\CPU\avx	VS2015 Update 3	无	AVX	Python 3.6
1.0.0\py36\CPU\avx2	VS2015 Update 3	无	AVX2	Python 3.6
1.0.0\py36\GPU\cuda8cudnn51sse2	VS2015 Update 3	8.0.61.2/5.1.10	x86_64	Python 3.6/Compute 3.0
1.0.0\py36\GPU\cuda8cudnn51avx2	VS2015 Update 3	8.0.61.2/5.1.10	AVX2	Python 3.6/Compute 3.0,3.5,5.0,5.2,6.1,7.0
0.12.0\py35\CPU\avx	VS2015 Update 3	无	AVX	Python 3.5
0.12.0\py35\CPU\avx2	VS2015 Update 3	无	AVX2	Python 3.5
0.12.0\py35\GPU\cuda8cudnn51avx2	VS2015 Update 3	8.0.61.2/5.1.10	AVX2	Python 3.5/Compute 3.0,3.5,5.0,5.2,6.1,7.0,7.5

tensorflow-windows-wheel 快速上手指南

本指南旨在帮助 Windows 用户（特别是使用老旧 CPU 或需要特定 CUDA 版本的用户）快速安装和运行 TensorFlow。该仓库提供了官方未包含的 SSE2 指令集支持（适用于无 AVX 指令集的 CPU）以及多种 CUDA/cuDNN 组合的预编译 Wheel 包。

1. 环境准备

在开始安装前，请确认您的系统满足以下基本要求，并根据需求选择对应的构建版本。

系统要求

操作系统：64 位 Windows (Win 7, Win 10, Win 11)
Python 版本：根据所选 Wheel 包支持 Python 2.7 至 3.9（推荐 Python 3.8 或 3.9）
CPU 架构：
- 现代 CPU：支持 AVX/AVX2 指令集（大多数 2011 年后的 CPU）。
- 老旧/低端 CPU：不支持 AVX 指令集。必须选择文件名中包含 sse2 的 Wheel 包，否则安装后会报错 ImportError: DLL load failed。

前置依赖（仅 GPU 版本）

如果您计划使用 GPU 加速，需预先安装对应版本的 NVIDIA 驱动、CUDA Toolkit 和 cuDNN。请参考下表匹配版本（以 TF 2.9.0 为例）：

TensorFlow 版本	CUDA 版本	cuDNN 版本	备注
2.9.0	11.7	8.4.0	需安装 CUDA 11.7 和 cuDNN 8.4
2.8.0	11.5	8.3.2
1.15.4	11.1	8.0.5
...	...	...	其他版本请参照仓库文件路径命名规则

注意：CPU 版本无需安装 CUDA 和 cuDNN。

2. 安装步骤

由于官方 pip install tensorflow 仅提供 AVX 二进制包且版本固定，本工具需手动下载并安装特定的 .whl 文件。

第一步：确定所需版本

访问 tensorflow-windows-wheel 发布页或仓库文件列表，根据您的环境选择文件：

路径格式：{TF 版本}\py{Python 版本}\{CPU/GPU}\{CUDA 信息}{指令集}
关键选择：
- 若 CPU 不支持 AVX，务必选择 sse2 结尾的文件。
- 若 CPU 支持 AVX2，可选择 avx2 结尾的文件（性能更佳）。
- 若无 GPU，选择 CPU 文件夹下的文件。

第二步：下载 Wheel 包

下载选定的 .whl 文件到本地目录（例如 C:\Downloads）。

国内加速建议：如果 GitHub 下载速度慢，可尝试使用国内镜像站或代理工具加速下载链接。

第三步：执行安装

打开命令提示符（CMD）或 PowerShell，进入文件所在目录，运行以下命令（将 <filename.whl> 替换为实际文件名）：

pip install <filename.whl>

示例（为 Python 3.9 安装支持 SSE2 的 TF 2.9.0 CPU+GPU 版本）：

pip install tensorflow-2.9.0-cp39-cp39-win_amd64.whl

提示：如果提示依赖缺失（如 numpy, h5py 等），pip 通常会自动尝试从网络安装。若网络受限，可先配置清华源：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

3. 基本使用

安装完成后，可通过以下代码验证安装是否成功及查看设备信息。

验证安装 (CPU/GPU)

创建一个名为 test_tf.py 的文件，输入以下内容：

import tensorflow as tf

print("TensorFlow version:", tf.__version__)

# 检查是否有可用的 GPU
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    print("Available GPUs:", gpus)
    try:
        # 设置内存增长策略（可选，防止占用全部显存）
        for gpu in gpus:
            tf.config.experimental.set_memory_growth(gpu, True)
        print("GPU initialization successful.")
    except RuntimeError as e:
        print(e)
else:
    print("No GPU available, running on CPU.")

# 简单计算测试
a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
b = tf.constant([[1.0, 1.0], [0.0, 1.0]])
c = tf.matmul(a, b)
print("Calculation result:\n", c.numpy())

在终端运行：

python test_tf.py

如果输出了 TensorFlow 版本号、GPU 列表（如有）以及矩阵计算结果，且无报错，则说明安装成功。

常见问题

导入 TensorFlow 时出现 'failed call to cuInit: CUDA_ERROR_NO_DEVICE' 错误怎么办？

编译或运行 TensorFlow C++ 程序时出现 LNK2019 未解析的外部符号错误如何解决？

为什么我的 CPU 支持 AVX/AVX2 指令集，但运行时仍提示 'This TensorFlow binary was not compiled to use: AVX AVX2'？

在 Windows 上安装 TensorFlow wheel 文件时提示 'is not a supported wheel on this platform' 怎么办？

如何获取构建 TensorFlow Windows Wheel 的具体配置参数？

在 C++ 项目中使用 32 位 TensorFlow DLL 时遇到指令集警告或错误，有解决方案吗？

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

★ 349.3k|★★★☆☆|今天

Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|昨天

开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 141.5k|★★☆☆☆|今天

开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 107.9k|★★☆☆☆|今天

开发框架图像Agent

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备

★ 90.1k|★★★☆☆|今天

语言模型图像Agent

Deep-Live-Cam

Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。

★ 88.9k|★★★☆☆|今天

开发框架图像Agent