作者：Michael Nguyen
编译：ronghuaiyang

导读

如果你使用CPU进行模型的训练的话，那么这篇文章对你非常有用，你可以通过一行命令的改变，获得非常大的性能的提升。

别再使用pip安装Tensorflow了！ 使用conda来代替，如果你不知道conda是什么，它是一个运行跨平台的开源包和环境管理系统。它适用于Mac、Windows和Linux。如果你还没有使用conda，我建议你一开始就使用它，因为它使得管理数据科学工具变得更加有趣。

有两个非常重要的原因，为什么你应该使用conda而不是pip来安装Tensorflow。

更快的CPU性能

conda Tensorflow包利用了用于深度神经网络的Intel Math内核库，或者是从版本1.9.0开始的MKL-DNN。这个库极大地提高了性能。这张图表可以证明这一点！

你可以看到，与pip安装相比，conda安装的性能可以提供8X以上的速度提升。对于仍然经常使用CPU进行训练和推断的人来说，这个非常好。作为一名机器学习工程师，我使用我的CPU在我的代码上进行训练，然后把它放到一个支持GPU的机器上。这种速度的增加将帮助我更快地迭代。当我可以的时候，我也会在CPU上做很多推断，所以这将有助于我的模型的性能。

MKL库不仅加快了Tensorflow包的速度，还加快了其他广泛使用的库的速度，如NumPy、NumpyExr、SciPy和Scikit-Learn！看看如何从下面的链接中进行设置。

GPU版本的简单安装

conda安装将自动安装GPU支持所需的CUDA和CuDNN库。pip的安装需要你手动完成。大家都喜欢一步到位，尤其是下载库的时候。

快速开始

所以我希望这两个原因足够好可以让你改用conda。如果你相信的话，现在就开始了。

如果还没有安装Anaconda或Miniconda。Miniconda只是安装conda和它的依赖性，而Anaconda会为你预先安装很多包。我更喜欢Miniconda。安装conda之后，请尝试以下操作。

如果你想要用GPU的版本，请使用tensorflow-gpu替换tensorflow。

除了使用Tensorflow更快、更简单之外，conda还提供了其他工具集，使其更容易集成到你的工作流中。我最喜欢的是它们的虚拟环境特性。您可以在这里阅读更多关于conda和tensorflow的信息(https://www.anaconda.com/blog/developer-blog/tensorflowinanaconda/)。以及关于MKL优化的更多信息(https://docs.anaconda.com/mkl-optimizations/)。希望这对你有所帮助，并一如既往地感谢你的阅读！

英文原文：https://towardsdatascience.com/stop-installing-tensorflow-using-pip-for-performance-sake-5854f9d9eb0c