从零开始配置深度学习环境：CUDA+Anaconda+Pytorch+TensorFlow
本文适用于电脑有GPU（显卡）的同学，没有的话直接安装cpu版是简单的。CUDA是系统调用GPU所必须的，所以教程从安装CUDA开始。
可以配合视频教程食用：
https://www.bilibili.com/video/BV12m4y1m7pq/?vd_source=06e4e8652ea90d79dadb7a59ff8acd36
CUDA安装
CUDA是加速深度学习计算的工具，诞生于NVIDIA公司，是一个显卡的附加驱动。必须使用
NVIDIA的显卡才能安装
，可以打开任务管理器查看自己的硬件设备。
下载CUDA
简便起见，可以直接通过我提供的下载链接进行下载（V11.6）
通过这个链接可以下载任意CUDA版本：
CUDA Toolkit Archive | NVIDIA Developer
下载任意版本cuDNN（需要注册英伟达俱乐部才能直接下载）:
cuDNN Archive | NVIDIA Developer
推荐使用
迅雷
进行下载，更详细的下载教程参考：
cuda安装 （windows版）_何为xl的博客-CSDN博客_windows安装cuda](
https://blog.csdn.net/weixin_43848614/article/details/117221384
)
CUDA的版本选择是跟显卡型号有关还是驱动有关？
一般是
驱动版本
决定了能用的CUDA版本的
上限
，比如新版的显卡驱动可以支持老的CUDA runtime。但是老的显卡可能无法更新到最新的显卡驱动
安装CUDA
这边演示
CUDA11.6版本
的安装。注意：
30系列的显卡必须使用CUDA11.0以上的版本
，其他显卡既可以使用10也可以使用11版本。
双击打开安装包（这个路径就别动了）
CUDA是加速深度学习计算的工具，诞生于NVIDIA公司，是一个显卡的附加驱动。必须使用
NVIDIA的显卡才能安装
，可以打开任务管理器查看自己的硬件设备。这边演示
CUDA11.6版本
的安装。注意：
30系列的显卡必须使用CUDA11.0以上的版本
，其他显卡既可以使用10也可以使用11版本。
双击打开安装包（默认安装路径就别修改了）
点击同意并继续
选择自定义，点击下一步
这里可以更改安装路径，可以新建2个文件夹，将
CUDA Documentation
和
CUDA Development
安装在一个文件夹
CUDA
，
Samples
安装在另一个文件夹
sample
。我是安装在
D盘
的，这样可以节省C盘空间，不过需要记得之后修改环境变量修改为相应文件目录。
可以使用cmd，输入：
nvcc -V
查看CUDA是否安装成功
用cudnn打补丁
CUDA需要配合cudnn才能正常工作，将cudnn的四个文件（夹），复制到CUDA的安装路径即可，即CUDA文件夹。
将之前下载的压缩包解压到CUDA文件夹里面
添加环境变量
往系统环境变量中的 path 添加如下路径（
根据自己的路径进行修改
）
C:\Program Files\NVIDIA\CUDA\bin
C:\Program Files\NVIDIA\CUDA\include
C:\Program Files\NVIDIA\CUDA\lib
C:\Program Files\NVIDIA\CUDA\libnvvp
环境变量配置结果应当如下：
检验：
配置完成后，我们可以验证是否配置成功，主要使用CUDA内置的
deviceQuery.exe
和
bandwidthTest.exe
：
首先win+R启动cmd，cd到
安装目录
下的
…\extras\demo_suite
,然后分别执行
.\bandwidthTest.exe
和
.\deviceQuery.exe
,应该得到下图.
cd C:\Program Files\NVIDIA\CUDA\extras\demo_suite
.\bandwidthTest.exe
.\deviceQuery.exe
CUDA安装到这里就全部完成了.
安装anaconda
官网下载anaconda速度太慢，建议使用镜像网站下载，另外不建议下载最新的anaconda版本，默认的base环境是python 3.10，建议下载早一点的版本（22年），安装没有其他注意事项，按照默认设置安装即可。
清华anaconda镜像下载网站：
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=D
Pytorch安装
首先前往Pytorch官网查找适合自己CUDA版本的安装命令。安装命令分为conda命令和pip命令，conda命令不能手动添加镜像，需要更改配置文件，在已经安装好CUDA的基础上可以直接使用pip命令成功率较高（pip命令网络更好）。
Pytorch下载官网：
Previous PyTorch Versions | PyTorch
对于我们安装的CUDA11.6，在anaconda提供的命令行工具
Anaconda Powershell Prompt
中输入以下命令进行安装
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116
成功安装后进行检验：
python
import torch
torch.cuda.is_available()
如果结果为True那么证明GPU版本的pytorch已经安装完成
TensorFlow安装
TensorFlow更新速度较慢，安装命令是通用的,可以尝试在当前环境直接安装，如果报错直接尝试第二种conda安装命令。
pip install --ignore-installed --upgrade tensorflow-gpu
但是通过手动安装的方式可能会遇到许多问题，包括但不限于c++库有问题.
首先，我想说的是，千万不要用pip安装tensorflow-gpu，因为gpu版本需要很多依赖包，包括cuda、cudnn等，而且，就算你单独去下载这些，安装后还是会有很多配置问题导致有误，无法安装成功，所以直接用conda安装（这里留下了一行行泪水）。
因为conda自带的安装源速度特别慢，所以如果你不设置镜像源下载几乎还是安装不了，中途会自动断开，这里我选择清华镜像源，首先打开anaconda prompt，依次输入以下四个指令添加镜像源。
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
conda config --show channels
成功率最高的安装方式
是：这一行代码安装基本不会报错。
conda create -n tensorflow-gpu tensorflow-gpu
安装完成后进行测试：
conda activate tensorflow-gpu
python
import tensorflow as tf
tf.test.is_gpu_available()
参考文章：
关于国内anaconda镜像站点看这一篇就够啦 - 知乎 (zhihu.com)
已解决error: subprocess-exited-with-error_袁袁袁袁满的博客-CSDN博客
Microsoft C++ 生成工具 - Visual Studio
(1条消息) Tensorflow-gpu安装超详细！！！_tensorflow gpu_东海扬尘_BingO的博客-CSDN博客