1. Anaconda

python主要有python2.7和python3.6等版本，而且在实际应用中需要给程序安装各种安装包，Anaconda就是管理不同环境和安装包的平台。

安装好Anaconda后，可以方便的建立虚拟环境，不同的环境下可以设置不同的python版本及相应安装包。不同环境互不影响。使用时，先激活环境，然后在该环境下运行程序，管理安装包。

a. 到Anaconda官网下载对应操作系统（Mac/Windows/Lniux）及相应python版本的（python2.7/3.6)安装包(Downloads - Anaconda)。

b. 安装后有两种方式可以新建虚拟环境，管理对应安装包。

一种是在客户端界面中管理，如下图所示：

Anaconda客户端配置环境

另外一种是在终端管理虚拟环境和安装包，具体代码如下：

$ conda create --name python36 python=3.6   # 创建名为python36的环境。=指定python的版本
$ source activate python36   # 激活python36环境
$ conda install tensorflow   # 在当前环境下安装tensorflow，会自动安装依赖包 
$ conda install tensorflow-gpu   # 安装支持gpu版本的tensorflow， 如果安装不成功，按照下面搜索版本的方法，用url安装
# 也可以在安装的时候指定tensorflow的版本
$ conda install tensorlow=1.9.0
$ source deactivate python36 # 退出环境python36

使用过程中如果发现安装包版本太低，可以使用以下代码更新版本：

$ anaconda search -t conda tensorflow # 列出tensorflow所有可用的

列出当前所有可用的tensorflow版本号，按照名字获取更新版本的url：

$ anaconda show aaronzs/tensorflow

系统会给出url和执行命令

Using Anaconda API: https://api.anaconda.org
Name:    tensorflow
Summary: TensorFlow helps the tensors flow
Access:  public
Package Types:  conda
To install this package with conda run:
conda install --channel https://conda.anaconda.org/aaronzs tensorflow

在当前激活环境下安装包都可以用$conda install 安装包名。

Anaconda的其它操作有：

$ conda env list   # 列出所有环境
$ conda env remove -n python36（这个是环境名） #删除名为python36的环境

2. Pycharm

Pycharm是编写python的IDE(用户界面），免去了我们只能用文本文档或者在终端写代码的麻烦。

下载安装Pycharm（Download Pycharm），这里可以下载免费的community版本.

Pycharm踩过的坑主要是解释器(Project Interpreter)的设置，如果设置不好，会有各种bug。此处奉上避免入坑的方法：

第一步：设置Preference

第二步：设置解释器

第三步：添加解释器，就是我们在Anaconda中设置好的环境

以后新建的所有程序都可以用这个解释器。当然，在Anaconda中建立不同环境时，也可以用不同环境作为解释器。

3. Tensorflow

Tensorflow的安装可以直接在终端用Anaconda的命令：
$ conda install tensorflow来安装

当然，也可以按照官网的三种方式来安装：Tensorflow Install

a. 安装虚拟环境（其实如果用了Anaconda，这些都不用看，想了解的可以了解一下）

b. 用pip + url的方式直接安装

c. 利用Docker安装

用官网的安装方法可能会碰到一些如pip没有安装怎么办等问题。所以推荐用Anaconda，整个安装流程会非常简单。

总结来说，整个过程就是：
安装 Anaconda, 在虚拟环境下安装tensorflow，然后安装Pycharm

在Pycharm中设置好解释器后新建python文件，运行下面的代码：

# !/usr/bin/env python3  # 指定解释器
#  _*_coding:utf-8 _*_ # 支持中文

import tensorflow as tf
a = [1, 2, 4]
b = [1, 2, 3]
c = tf.add(a, b)
with tf.Session() as sess:
    print(sess.run(c))