在Linux平台上安装深度学习环境，通常可以直接使用pip安装，但为了确保最佳性能，建议先安装一些系统依赖并配置CUDA（如果使用GPU）,不过如果只是学习需求的话安装CPU版本即可。以下是详细步骤：

1. 安装系统依赖

首先安装编译工具和基础库：

sudo apt update
sudo apt install build-essential libssl-dev libffi-dev python3-dev

2. 安装Python和虚拟环境

建议使用Python 3.8+版本：

# 安装Python（Ubuntu/Debian）
sudo apt install python3 python3-pip python3-venv

# 创建虚拟环境
python3 -m venv dl_env
source dl_env/bin/activate  # 激活环境

3. 选择CPU或GPU版本

CPU版本（简单快速）

直接使用pip安装TensorFlow/PyTorch的CPU版本：

# TensorFlow CPU版
pip install tensorflow

# PyTorch CPU版
pip install torch torchvision torchaudio

• 注意这里直接下载可能有点慢,文章后面有教使用镜像源方式下载

GPU版本（高性能，需NVIDIA显卡）

如果你的系统有NVIDIA GPU，需要先安装CUDA和cuDNN：

1. 安装CUDA Toolkit
   从NVIDIA官网下载对应版本（推荐CUDA 11.8）：

   # 添加NVIDIA仓库并安装CUDA
   wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
   sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600
   wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-ubuntu2004-11-8-local_11.8.0-520.61.05-1_amd64.deb
   sudo dpkg -i cuda-repo-ubuntu2004-11-8-local_11.8.0-520.61.05-1_amd64.deb
   sudo cp /var/cuda-repo-ubuntu2004-11-8-local/cuda-*-keyring.gpg /usr/share/keyrings/
   sudo apt update
   sudo apt install cuda-11-8
   

2. 安装cuDNN
   从NVIDIA官网下载cuDNN库并解压：

   # 解压并复制文件（假设已下载到~/Downloads）
   tar -xzvf ~/Downloads/cudnn-linux-x86_64-8.x.x.x_cuda11-archive.tar.xz
   sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include 
   sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64 
   sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*
   

3. 安装GPU版深度学习框架

   # TensorFlow GPU版
   pip install tensorflow-gpu
   
   # PyTorch GPU版（CUDA 11.8）
   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
   

4. 验证安装

安装完成后，通过以下代码验证GPU是否可用：

TensorFlow验证

import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))

PyTorch验证

import torch
print(torch.cuda.is_available())

5. 常见问题

1. 版本不兼容：确保CUDA、cuDNN和框架版本匹配（查看官方文档）。
2. 驱动问题：使用nvidia-smi检查显卡驱动是否正确安装。
3. 权限问题：如果遇到权限错误，尝试使用sudo或调整文件权限。

6. 推荐IDE/编辑器

• Jupyter Notebook：交互式开发（pip install jupyter）
• VS Code：轻量级且支持Python扩展
• PyCharm：专业Python IDE（社区版免费）

通过以上步骤，你可以在Linux上搭建完整的深度学习环境。如果仅用于学习和实验，CPU版本已足够；若需处理大规模数据或复杂模型，建议配置GPU环境。

以下则是一些细节补充:

一、用国内镜像源安装pytorch和tensorflow

推荐用清华 PyPI 镜像或阿里镜像，以下是两种常用方式：

方法 1：临时指定国内源（最简）

在 pip install 命令后加 -i 参数，直接指定国内镜像地址。

如果你要装 PyTorch + TorchVision（适配你的需求），完整命令：

pip install torch torchvision torchaudio \
  -i https://pypi.tuna.tsinghua.edu.cn/simple

解释：

• torch torchvision torchaudio 是 PyTorch 核心包
• -i 后面跟清华镜像源，强制从国内下载

方法 2：永久配置国内源（一劳永逸）

如果经常装包，建议把国内源设为默认，避免每次加 -i。

Linux/macOS 配置：

# 创建 pip 配置目录
mkdir -p ~/.config/pip  
# 写入清华镜像源配置
echo "[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple" > ~/.config/pip/pip.conf  

二、常见问题

• ImportError: No module named tensorflow

可能的原因

1. Python环境不匹配：运行脚本的Python环境和安装TensorFlow的环境不是同一个。
2. 虚拟环境未激活：虽然显示 (dl_env)，表明激活了虚拟环境，但可能存在激活不彻底的情况。
3. PATH环境变量冲突：系统里可能存在多个Python版本，导致命令行调用的Python与安装TensorFlow的Python不一致。