TensorFlow 开发环境搭建指南：Anaconda 与 Miniconda 抉择及环境搭建步骤

1. 环境管理工具介绍

1.1 Anaconda：功能齐全的 "大工具箱"

Anaconda 就像一个功能齐全的大工具箱，里面装满了 1500 多个科学计算包，如 NumPy、Pandas、SciPy、Matplotlib、Jupyter 等，同时还预装了图形界面工具 Anaconda Navigator，方便用户进行可视化操作。但这也让它的安装包体积达到了约 3GB，安装后更是要占据 5GB 以上的磁盘空间。它适合那些需要全面工具链，且磁盘空间充足的数据科学和机器学习全面开发场景。如果你是一个刚入门的数据科学爱好者，想要开箱即用地使用各种科学计算工具，Anaconda 或许能满足你的需求。

1.2 Miniconda：轻便灵活的 "基础工具箱"

Miniconda 则像是一个轻便的基础工具箱，只包含 Python、Conda 包管理器和必要依赖，没有预装大量的科学计算包。其安装包小巧，仅约 50MB，大大节省了磁盘空间。它更适合定制化环境搭建、磁盘空间有限、需要精确控制包版本以及嵌入式开发等专业领域。对于 TensorFlow 开发，尤其是嵌入式场景下的开发，Miniconda 是更优的选择。

1.3 详细对比

特性	Anaconda	Miniconda	嵌入式开发推荐
安装包大小	500MB-1GB	50-100MB	✅ Miniconda
安装后空间	3-5GB	0.5-1GB	✅ Miniconda
预装包数量	1500+ 科学计算包	仅核心组件 (Python+Conda)	✅ Miniconda
TensorFlow 安装	通过 `conda install tensorflow`	通过 `pip install tensorflow`	Miniconda (更接近官方)
启动速度	较慢 (加载大量包)	快速	✅ Miniconda
环境纯净度	包含大量可能冲突的预装包	完全干净的起点	✅ Miniconda
包管理	混合 conda/pip 可能冲突	清晰区分 conda/pip	✅ Miniconda
依赖控制	预装包版本锁定	完全自定义依赖	✅ Miniconda
嵌入式开发支持	冗余包增加冲突风险	仅安装必要组件	✅ Miniconda
模型优化工具	需额外安装	仅安装所需组件	✅ Miniconda
版本更新	滞后官方发布	可立即安装最新版	✅ Miniconda
CI/CD 集成	环境笨重，构建慢	轻量，构建快速	✅ Miniconda
跨平台一致性	不同平台预装包差异	完全一致的基础	✅ Miniconda
多环境管理	支持但启动较慢	支持且快速	✅ Miniconda
学习曲线	较低 (开箱即用)	中等 (需手动配置)	⚠️ Anaconda
适用场景	数据分析/教育/快速原型	专业开发/生产部署/嵌入式	✅ Miniconda

1.4 Miniconda 优势

TensorFlow 开发推荐 Miniconda 有如下优势：

资源效率高： 嵌入式模型训练通常只需要 TensorFlow 以及少量相关依赖，使用 Miniconda 可以避免安装 1500 多个无用的包，能节省 4GB 以上的空间，对于磁盘空间有限的设备来说非常实用 ;
环境更纯净： Miniconda 可以创建一个专用的、纯净的环境，仅安装必要的包，有效避免版本冲突 ;
部署更友好： 在模型部署阶段，模型转换只需 TensorFlow Lite 相关组件，而 Anaconda 中的许多额外组件在单片机部署中根本用不上，Miniconda 精简的特性让部署过程更加顺畅;
生命周期匹配度高： 嵌入式项目通常需要长期维护，Miniconda 更易实现环境复现；

通过以下命令可以导出精确的环境配置，在其他设备上重建相同的环境

bash 复制代码

# 导出精确环境
pip freeze > requirements.txt

# 重建环境
conda create --name new_env python=3.8
pip install -r requirements.txt

2. Miniconda 安装

下载 Miniconda 工具：

Miniconda Windows 64-bit 下载

安装注意：

txt 复制代码

. 安装路径建议选择 C:\Miniconda，避免路径中出现空格;
. 务必勾选：✔ Add Miniconda to PATH，这样可以在命令行中直接使用 Conda 命令;
. 勾选：✔ Register as system Python，方便系统识别 Python 环境;

3. 配置开发环境

3.1 创建专用环境

按下 Win + R，输入 cmd 或 powershell，打开命令行窗口，输入以下命令：

bash 复制代码

# 先在 D 盘创建 work 工作目录
D:
mkdir D:\work


# conda create --name env_tensorflow python=3.8 -y   # 默认安装在 Conda 环境的安装路径 Miniconda/envs 

# 在指定路径 D:\work ，创建名为 env_tensorflow 的环境，指定 Python 版本为 3.8
conda create --prefix D:\work\env_tensorflow python=3.8 -y

# 激活该环境
# 激活成功后，命令行前缀会显示 (D:\work\env_tensorflow)，表示当前处于该环境中
conda activate D:\work\env_tensorflow

bash 复制代码

# 其他了解操作：


# Conda 支持创建和管理多个虚拟环境，每个环境可以独立配置不同的 Python 版本、依赖包版本，实现项目间的环境隔离。
# 多个环境中，但只能有一个环境处于 "激活" 状态。

# 再创建一个虚拟环境 env_pytorch 
conda create --prefix D:\work\env_pytorch  python=3.8 -y

#  该操作可从 env_tensorflow 环境切换到 env_pytorch 环境
conda activate D:\work\env_pytorch 

# 查看当前系统中存在的所有环境, 输出中（* 表示当前激活的环境）
conda env list

3.2 安装必要包

激活环境后，可在任何目录位置使用命令工具执行 pip install 或 conda install，包都会自动安装到激活的环境目录中（即D:\work\env_tensorflow）。

输入以下命令安装所需的包：

bash 复制代码

# 查看 pip 或 python 的路径，确认它们属于哪个环境
where pip 
# 输出 D:\work\env_tensorflow\Scripts\pip.exe

# 核心框架
pip install tensorflow==2.10.0

# 模型优化工具
pip install tensorflow-model-optimization

# 嵌入式开发辅助
pip install numpy pandas matplotlib pycoral   # Coral TPU支持
pip install opencv-python-headless            # 无GUI的OpenCV

3.3 验证环境

安装完成后，输入以下命令验证环境是否搭建成功：

bash 复制代码

python --version
# 若输出 Python 3.8.x，则环境创建成功

python -c "import tensorflow as tf; print('TF:', tf.__version__)"
# 若输出: TF: 2.10.0，则说明 TensorFlow 安装成功

python -c "import tflite_runtime; print('TFLite:', tflite_runtime.__version__)"
# 若输出: TFLite: 2.10.0，则说明 TFLite 相关组件安装成功

4. 环境管理技巧

删除环境： 命令如下：

bash 复制代码

conda remove --prefix D:\work\env_tensorflow --all -y

空间清理： 定期清理 Conda 缓存可以释放磁盘空间，命令如下：

bash 复制代码

conda clean --all

环境备份： 为了防止环境配置丢失，可以将环境导出备份，命令如下：

bash 复制代码

conda env export > embedded_tf.yaml

跨平台兼容： 在团队协作中，使用 Docker 容器化环境可以保证跨平台的兼容性，推荐的 Dockerfile 如下：

bash 复制代码

FROM python:3.8-slim
RUN pip install tensorflow==2.10.0 tensorflow-model-optimization