一开始觉得配置树莓派应该和电脑上差不多，先安装anaconda然后在里面建立tensorflow环境，但这过程比我想的艰难多。下面给出我尝试的三种配置tensoflow的方法，前两种失败了，最后一种成功。（前两种虽然失败但这里也记录一下）
首先要确定我们树莓派的架构，输入uname -a ,可以看到我们是armv7架构。

pi@raspberrypi:~ $ uname -a
Linux raspberrypi 5.10.17-v7l+ #1403 SMP Mon Feb 22 11:33:35 GMT 2021 armv7l GNU/Linux

方法一：miniconda法
先安装miniconda,然后在miniconda里面配置tensorflow环境
根据我的armv7架构去这个清华镜像网站选择对应你操作系统的版本下载nimiconda：
我的对应的版本是：

于是复制链接然后在终端下载：

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda-latest-Linux-armv7l.sh

下载完后如果文件在home/pi/Download里，那就cd Download下面，我的就在home/pi下所以直接安装：

pi@raspberrypi:~ $  sudo bash Miniconda3-latest-Linux-armv7l.sh

enter
yes
就安装成功了。
 
添加环境：
sudo nano /home/pi/.bashrc # -> add: export PATH="/home/pi/miniconda3/bin:$PATH"
然后
ctrl+x

安装完成，测试一下（重启后测试）：

conda -V

会显示miniconda版本
或者输入：

python

会显示python3.4
到这里miniconda就安装完成了，现在就是去寻找我的armv7对应的tensorflow版本了。各种版本下载地址：

https://github.com/lhelontra/tensorflow-on-arm/releases

里面有tensorflow1.0~2.4.0之间的版本，但armv7架构的tensorflow2.0以上只支持python3.5或者python3.7（cp35,cp37表示需要python3.5，python3.7），而我们安装的miniconda只能提供最高python3.4版本，所以minconda方法安装失败。也就是说我需要能提供python3.5，或者python3.7的环境，后面的方法2对应提供python3.5，方法3对应提供python3.7

方法2 berryconda法

berryconda 是一款为树莓派定制基于 conda python 发行版的开源软件。我们可以使用它来实现类似 Miniconda 和 Anaconda 的功能。

berryconda 提供了 python2.7 的 Berryconda2 和 python 3.6 的 Berryconda3，同时还支持 树莓派 0 1 2 3各个系列，我们可以根据自己的树莓派版本选择适合的版本安装即可。具体步骤：
下载

wget https://github.com/jjhelmus/berryconda/releases/download/v2.0.0/Berryconda3-2.0.0-Linux-armv7l.sh

安装

bash Berryconda3-2.0.0-Linux-armv7l.sh

安装过程中不需要使用 sudo，程序默认会安装到 /home/pi/berryconda3 中。在安装脚本程序的最后一步，输入 yes，脚本会自动将路径添加到 .bashrc 中。

安装完成后，可以升级一下conda，操作如下：

conda update conda

完成后可以查看以下 conda 的版本：

conda --version
>> conda 4.3.29

下面就可以通过conda来创建tensorflow环境了，具体步骤：
创建名为tensorflow的python=3.5的环境

conda create --name tensorflow python=3.5

然后下载tensorflow,各版本下载地址：
https://github.com/lhelontra/tensorflow-on-arm/releases

我的armv7支持的tensorflow2.4.0 对应python3.5的地址：

https://github.com/lhelontra/tensorflow-on-arm/releases/download/v2.4.0/tensorflow-2.4.0-cp35-none-linux_armv7l.whl`在这里插入代码片`

先激活创建的tensorflow环境：

conda activate tensorflow

下载

wget https://github.com/lhelontra/tensorflow-on-arm/releases/download/v2.4.0/tensorflow-2.4.0-cp35-none-linux_armv7l.whl

安装（安装前先升级一下pip:python -m install --upgrade pip）

pip install tensorflow-2.4.0-cp37-none-linux_armv7l.whl

然后就发现有几个包安装不了导致tensorflow2.4.0安装失败，于是我尝试安装armv7支持的tensorflow 对应python3.5的其他版本…然后发现老是有几个包安装失败，导致tensorflow安装失败，绝望了已经（可能的原因是python3.5已经不维护，现在就只能指望tensorflow对应python3.7版本可以安装了，但barryconda最高只支持到python3.6，所以只能换方法）

方法3 virtualenv和virtualenvwrapper法
通过这连个软件来创建tensorflow所需的python3.7环境。

安装virtualenv和virtualenvwrapper

sudo apt-get install virtualenv
sudo apt-get install virtualenvwrapper

配置virtualenvwrapper

sudo nano ~/.bashrc

将以下命令行加入到加入到~/.bashrc的最后

#export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3
export WORKON_HOME=$HOME/.virtualenvs
source /usr/share/virtualenvwrapper/virtualenvwrapper.sh

输入命令运行

source ~/.bashrc

创建虚拟环境(创建在home/pi下名为tensorflow)

virtualenv -p /usr/bin/python3.7 tensorflow

开启虚拟环境

source /home/pi/tensorflow/bin/activate

以后可能用到的指令
退出虚拟环境

deactivate

删除环境:

rmvirtualenv 环境名`)

进入到激活后的tensorflow环境（以下所以步骤（黑底代码）都是在激活后的tensorflow下完成）

然后在下面这个地址里找到armv7支持的tensorflow2.4.0及对应的python3.7版本

https://github.com/lhelontra/tensorflow-on-arm/releases

下载我需要的版本

wget https://github.com/lhelontra/tensorflow-on-arm/releases/download/v2.4.0/tensorflow-2.4.0-cp37-none-linux_armv7l.whl

安装(安装前先升级pip: python -m install --upgrade pip)

pip install tensorflow-2.4.0-cp37-none-linux_armv7l.whl

测试

python
import tensorflow as tf
不报错

安装完成后需要替换及继续安装一些所需要的包
安装numpy==1.19.2 tensorflow2.4.0支持这个版本，所以环境例numpy版本不对的话就卸载重装指令如下：

pip numpy==1.19.2

这个环境里对应的scipy版本为3.6（我开始安装的3.7.3会与numpy冲突导致没有）

pip install scipy==3.6

如果会用到PIL 里面的Image，不是安装PIL(python2是安装这个)要安装pillow

pip install pillow

我安装后的版本是pillow9.0，实测有用，用法是

from PIL import Image

参考文章：
https://blog.csdn.net/qq_43629743/article/details/105408164
https://blog.csdn.net/weixin_39759247/article/details/107055215
https://www.jianshu.com/p/ccad38dbb897
https://blog.csdn.net/weixin_51331359/article/details/119489940