tensorflow和pytorch在一个环境内

### 创建兼容TensorFlow和PyTorch的Conda环境

为了在同一环境中安装并使用TensorFlow和PyTorch，建议创建一个新的Conda虚拟环境，并指定Python版本为3.6。这一步骤能够确保两个框架及其依赖项不会相互冲突。

conda create --name tftorch python=3.6

激活新创建的环境：

conda activate tftorch

### 安装TensorFlow

在准备好的环境中安装特定版本的TensorFlow，这里选择的是2.3.0版本，该版本对于许多应用来说是一个稳定的选择[^3]。

pip install tensorflow==2.3.0

### 配置CUDA支持

考虑到性能优化的需求，通常希望利用GPU加速计算过程。因此需要配置相应的CUDA工具包以及cuDNN库来提供硬件级别的支持。具体操作可以根据目标平台的不同而有所变化，但一般流程包括下载匹配当前系统的CUDA Toolkit和对应的cuDNN SDK文件，并按照官方指南完成本地设置[^2]。

### 安装PyTorch

接着，在同一环境中继续安装适合所选CUDA版本的PyTorch发行版。例如，假设已经设置了CUDA 10.1，则可以通过如下命令获取相应版本的PyTorch：

conda install pytorch torchvision torchaudio cudatoolkit=10.1 -c pytorch

通过这种方式，可以在不影响现有TensorFlow安装的情况下成功引入PyTorch的支持[^4]。

### 测试安装效果

最后，编写简单的测试脚本来验证两者是否都能正常工作。下面给出一段用于确认TensorFlow功能的小例子：

import tensorflow as tf

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10)
])
predictions = model.predict(x_test[:1]).argmax(axis=-1)
print(predictions)

同样地，也可以运行一小段代码片段以证明PyTorch的功能性：

import torch
from torchvision import datasets, transforms

transform = transforms.Compose([transforms.ToTensor()])
trainset = datasets.MNIST('~/.pytorch/MNIST_data/', download=True, train=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)

dataiter = iter(trainloader)
images, labels = dataiter.next()

logits = torch.nn.Linear(784, 10)(images.view(images.shape[0], -1))
prediction = logits.argmax(dim=1)
print(prediction)