TensorFlow与matplotlib的numpy版本依赖冲突解决方案咨询

不需要在两个包中二选一，有多个经过实际验证的可行方案，按落地成本从低到高排列：

• 方案1：升级到兼容版本组合（最推荐，零额外适配成本）
  要求numpy版本满足~=1.19.2的约束仅存在于2.7及更早、已停止维护的TensorFlow版本中，TensorFlow 2.10及以上版本早已放开numpy版本限制，完全兼容numpy 1.23.x。直接执行升级命令即可让pip自动解析安装同时满足两个包要求的依赖版本：

  pip install --upgrade tensorflow matplotlib
  

  目前TensorFlow 2.12~2.15搭配matplotlib 3.6~3.8、numpy 1.23.x的组合经过大量生产环境验证，不存在运行时兼容问题。
• 方案2：锁版本适配存量老环境（适合无法升级TensorFlow的场景）
  如果因为项目代码兼容问题必须使用旧版TensorFlow，不需要强行升级numpy，只要将matplotlib降到3.5.x版本即可适配：matplotlib从3.7版本开始才把numpy最低版本要求提升到1.20，3.5.2版本的numpy要求为>=1.17，完全匹配旧版TensorFlow的numpy~=1.19.2约束，执行以下命令安装即可：

  pip install tensorflow==你需要的旧版本号 matplotlib==3.5.2 numpy~=1.19.2
  

  这个版本组合下，matplotlib的常规绘图功能（折线图、柱状图、散点图、热力图、子图布局等）均可正常使用，不会出现numpy相关报错。如果一定要使用高版本matplotlib的专属新特性，也可以先安装符合TensorFlow要求的numpy版本，再执行pip install matplotlib --no-deps跳过依赖检查安装，之后手动补装matplotlib除numpy外的其他依赖即可，只是这种方式需要自行测试用到的绘图功能是否存在兼容问题。
• 方案3：虚拟环境隔离（适合版本要求完全无法调和的极端场景）
  如果上述两个方案都不适用，比如既要使用旧版TensorFlow的专属API，又要用到最新版matplotlib仅在高版本提供的功能，可以用venv或conda创建两个独立虚拟环境，分别部署对应版本的依赖，执行不同类型任务时切换到对应环境即可。

避坑提醒：不要强行安装numpy 1.23后通过修改TensorFlow依赖校验文件的方式绕过检查，2.7及更早版本的TensorFlow底层绑定的numpy C接口和1.20+版本不兼容，运行时会随机出现段错误、数值计算异常等难以排查的问题，稳定性完全无法保障。

内容的提问来源于stack exchange，提问作者v81