我之前也碰到过类似的版本冲突问题，conda的依赖解析器经常会因为TensorFlow和TensorBoard的绑定关系强制移除旧版TF，但其实我们可以通过以下几种方法在单个conda环境里实现需求：

方法一：用pip安装独立的TensorBoard（最推荐） #

conda的TensorFlow包确实和同版本的TensorBoard绑定，但pip安装的TensorBoard可以独立于conda的TensorFlow存在，不会触发conda的依赖替换操作。具体步骤：

1. 确保你的conda环境已经安装了TensorFlow=1.10：

   conda activate your_env_name
   conda install tensorflow=1.10
   

2. 用pip安装指定版本的TensorBoard：

   pip install tensorboard==1.14
   

   你也可以安装1.14以上的兼容版本（比如tensorboard==1.15），只要满足PyTorch的需求即可。

3. 验证版本是否正确：

   • 检查TensorFlow版本：

     python -c "import tensorflow as tf; print(tf.__version__)"
     

     应该输出1.10.x
   • 检查TensorBoard版本：

     tensorboard --version
     

     应该输出1.14.x

这种方法的优势是简单直接，而且不会破坏原有conda环境里的TensorFlow依赖。需要注意的是：

• 如果之后用conda安装其他包，可能会尝试将TensorBoard降级到和TensorFlow匹配的版本。这时候可以通过锁定TensorBoard版本来避免：

  conda config --add pinned_packages tensorboard=1.14
  

  之后conda就不会自动修改TensorBoard的版本了。
• TensorBoard 1.14完全兼容TensorFlow 1.10生成的日志文件，同时也能完美支持PyTorch的TensorBoard日志输出，不用担心兼容性问题。

方法二：强制conda安装（风险较高） #

如果你更倾向于用conda管理所有包，可以尝试强制安装TensorBoard=1.14，忽略依赖冲突：

conda install tensorboard=1.14 --force-reinstall --no-deps

--no-deps参数会让conda不安装TensorBoard的依赖项（包括不升级TensorFlow），--force-reinstall会覆盖原有版本。不过这种方法可能会导致一些隐性的依赖问题，比如TensorBoard运行时缺少某些库，所以只推荐在pip方法无效时尝试。

验证功能 #

安装完成后，你可以做两个测试：

1. 运行你的遗留Keras/TensorFlow 1.10代码，生成TensorBoard日志，然后用tensorboard --logdir=your_log_dir启动服务，确认能正常查看日志。
2. 运行PyTorch的TensorBoard测试代码（比如用torch.utils.tensorboard.SummaryWriter），确认日志能被TensorBoard 1.14读取。

内容的提问来源于stack exchange，提问作者mcstarioni