---

时隔多年，笔者更换了笔记本，并且做实验时发现cpu运算速度较慢，接着更博。

---

在保证tensorflow基本环境没问题下，进行tf-gpu版本安装。

step1- 版本校对

要确定英伟达图形驱动与cuda版本对应：
来源：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

要确定tensorflow与cuda、cuDNN版本对应：
来源：https://tensorflow.google.cn/install/source_windows

在这里，笔者选择tensorflow-2.1、tensorflow-gpu-2.1、英伟达显卡驱动为425.31、cuda-10.1

资源

CUDA10.1
链接：https://pan.baidu.com/s/1BKZ7Q1vtZumW6MWmwIvbwA
提取码：pwt2
CUDNN10.1
链接：https://pan.baidu.com/s/1gu-SUmtAMGVNArUgIqJaKg
提取码：l583

step2-安装软件

在安装好所有对应版本的软件后，使用nividia -smi显示显卡状态，其中process表中，显示not supported。应该是本子显卡不被支持了，笔者并不想降低tf版本。

1.英伟达显卡驱动

下载地址：
https://www.nvidia.cn/Download/index.aspx?lang=cn

2.CUDA

cuda各版本下载地址：
https://developer.nvidia.com/cuda-toolkit-archive

3.CUDNN

下载地址：
https://developer.nvidia.com/rdp/cudnn-archive
下载cudnn并解压后，将文件放入cuda相应文件中。

在这里，笔者选择tensorflow-2.3、tensorflow-gpu-2.3、英伟达显卡驱动为457、cuda-10.1、cudnn8.0.2

step-3 安装tf gpu 2.3.0

激活安装环境

pip install tensorflow-gpu==2.3.0 -i https://pypi.douban.com/simple

step-4测试

下载完后我们进行测试tensorflow的GPU版本是否安装成功
输入ipython进入ipython交互式终端，再输入命令

import tensorflow as tf 

没有报错继续输入,测试GPU是否可用

tf.test.is_gpu_available()

不错的参考网络资源

https://blog.csdn.net/qq_37112826/article/details/109326195

晚点补测试