虽然目前主流深度学习框架是Pytorch和TensorFlow2.x版本，但是也不乏有一些大佬使用TensorFlow1.x版本进行开发，这个时候如果不想使用Pytorch和TensorFlow2.x重写一下源代码的话，唯一的办法就是创建一下TensorFlow1.x的虚拟环境。在搭建TensorFlow1.x版本的时候，有一些坑还是需要避免的：

第一：TensorFlow1.x只支持Python3.5到3.7。所以不要安装过高的Python版本。

第二：必要的时候咱们是需要debug调试一下代码的，这个时候比较尴尬的就是python开发组已停止对python3.6及之前版本的维护，所以在debug的时候会出现“python拓展中的调试器不再支持小于3.7的python版本”的问题，也就是说咱们得Python版本必须大于等于Python3.7。

综上所述，如果需要安装TensorFlow1.x版本，建议就是一定要安装Python3.7的版本，避免不必要的麻烦。

# 深度学习
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

Expect脚本实战：多条件匹配与防卡死技巧

在自动化测试和系统初始化中，我们常常使用 Expect 脚本来完成一系列交互操作，比如自动输入密码、监听输出并作出响应。然而，实际项目中可能遇到多步骤输出匹配的场景：只有在 先匹配到某一行输出，再匹配到另一行输出 时，才需要做出响应。同时，如果 “testX failed” 出现了，但 “set params error” 没有在合理时间内出现，不要卡死，而是打印警告并继续。这个写法的问题在于：如

avatar 2048 AI社区

AI模型版本控制的标签管理：架构师的技巧

在AI模型生命周期中，版本控制是保障模型可追溯性、协作效率与生产可靠性的核心环节。而标签管理作为版本控制的"语义接口"，其设计质量直接决定了团队对模型版本的理解、检索与复用能力。本文从架构师视角出发，结合第一性原理与MLOps实践，系统阐述AI模型标签管理的理论框架、架构设计、实现机制与高级考量。通过拆解标签的"唯一标识+语义描述"本质，提出四维标签模型。

avatar 2048 AI社区

Expect脚本实战：多条件匹配与防卡死技巧

在自动化测试和系统初始化中，我们常常使用 Expect 脚本来完成一系列交互操作，比如自动输入密码、监听输出并作出响应。然而，实际项目中可能遇到多步骤输出匹配的场景：只有在 先匹配到某一行输出，再匹配到另一行输出 时，才需要做出响应。同时，如果 “testX failed” 出现了，但 “set params error” 没有在合理时间内出现，不要卡死，而是打印警告并继续。这个写法的问题在于：如

avatar 2048 AI社区