我之前也碰到过类似的旧版本依赖找不到的糟心事，来帮你一步步理清这些疑问：

为什么TensorFlow 1.5.0不在pip的可用版本列表里？ #

TensorFlow官方确实会逐步移除非常老旧的版本，主要原因有这几个：

• 安全与维护终止：1.5.0是2018年的版本，属于早已停止官方维护的1.x系列，旧版本存在的未修复安全漏洞可能会带来风险，官方因此下架了这些包；
• 兼容性过滤：这个版本仅支持Python 3.5、3.6，如果你当前用的是更高版本的Python，pip会自动过滤掉不兼容的版本（不过从你的报错信息看，更大概率是该版本已从PyPI完全下架）。

哪里可以获取TensorFlow 1.5.0？ #

你有几个可行的获取渠道：

• GitHub发布页下载预编译包：去TensorFlow的GitHub Release页面找到1.5.0版本，下载对应你系统和Python版本的.whl文件，然后执行pip install /本地路径/tensorflow-1.5.0-xxx.whl完成本地安装；
• 尝试conda安装：用conda命令conda install tensorflow=1.5.0试试，部分第三方conda源可能还保留着这个旧版本；
• 源码编译：如果找不到预编译包，可以从GitHub拉取1.5.0的源码，按照官方文档编译适配你环境的版本（这个步骤相对繁琐，适合有一定编译经验的情况）。

未来排查这类依赖版本问题的实用方法 #

• 先查官方发布历史：确认目标版本是否真实存在，以及它支持的Python版本、系统环境，避免要求一个从未发布过的版本；
• 检查本地环境兼容性：用python --version确认你的Python版本是否和目标包兼容，比如TensorFlow 1.5.0完全不支持Python 3.7及以上；
• 开启pip详细日志：执行pip install tensorflow==1.5.0 --verbose，查看详细的查找过程，判断是版本不存在还是兼容性问题导致的过滤；
• 查看项目文档：很多旧项目的README会注明特殊的依赖安装方式，比如是否需要使用特定镜像源，或者提供离线包的下载指引；
• 改用版本范围：如果不是必须固定某个旧版本，可以在requirements.txt里写版本范围（比如tensorflow>=1.5,<2.0），避免因单一版本下架直接导致安装失败。

关于venv和requirements.txt的困惑 #

其实venv和requirements.txt的核心作用是隔离环境并明确依赖版本，但它们没法保证旧版本的包一直可用——毕竟PyPI上的包是否保留由包作者/官方决定。为了避免这种尴尬，你可以：

• 对需要长期维护的项目，自己备份依赖包（比如把.whl文件存在项目的vendor目录，然后在requirements.txt里指定本地路径）；
• 使用依赖锁定工具（比如pip freeze生成更详细的requirements.lock，但也要注意定期验证锁定版本的可用性）；
• 在项目文档里记录兼容的Python版本和依赖的获取渠道，方便后续其他人或自己重现环境。

内容的提问来源于stack exchange，提问作者gazm2k5