一、虚拟环境1：torch环境的cuda配置
1.先安装Torch
进入pytorch官网，Start Locally | PyTorch找到想要安装的torch及对应的cuda，（比如我要下载cuda10.2的torch），选中cuda10.2对应的torch（如果没有想要的，查看以前版本torch），复制pip安装的命令，激活虚拟环境输入命令安装即可
2.安装cudnn
安装完后conda list查看安装情况，你会发现通过这个命令会自动安装torch、torchvision、cudatoolkit（cuda），没有安装cudnn，需要自己额外安装对应的cudnn，简单通过pip安装即可（没安装之前是没有cudnn的，我这里已经安装过cuda11.1和cudnn了，这里只是做个演示）
到此，这个虚拟环境cuda配置结束！没错，你能用gpu跑代码了！（因为torch官方将对应cuda与torch打包放一起了，这样不同的虚拟环境安装后便能使用，不需要自己重新去nvidia官网手动下载cuda安装包，更不需要设置环境变量什么乱七八糟的。后面tensorflow-gpu的cuda同样）
你可以新建一个py文件，输入下面代码查看是否能用gpu
import torch
print(torch.cuda.current_device()) # 返回当前设备索引
print(torch.cuda.device_count()) # 返回GPU的数量
print(torch.cuda.get_device_name(0)) # 返回gpu名字，设备索引默认从0开始
print(torch.cuda.is_available()) # cuda是否可用
print(torch.version.cuda) # cuda版本结果如下：
二、虚拟环境2：tensorflow环境的cuda配置
1.安装tensorflow-gpu及对应的cuda
激活虚拟环境2，找到想要安装的tensorflow-gpu版本，我这里以tensorflow-gpu1.12为例，输入如下代码:
conda install tensorflow-gpu=1.12 cudatoolkit它会自动帮你匹配对应tensorflow-gpu1.12的cuda、cudnn版本，并一同下载安装，结果如下：
但是，一定要注意！！
有些版本的tensorflow-gpu也许会给你匹配错误的cuda，比如tensorflow-gpu=1.14，如下图：
查看tensorflow-gpu版本对应，很明显这个cuda版本不对！！所以一定要看一下是否匹配的太离谱，如果是这种情况，那你就得换一个tensorflow-gpu版本了，比如tensorflow-gpu1.15
到此，这个虚拟环境cuda也配置结束！没错，你也可以在这个虚拟环境下用gpu跑代码了！
你可以新建一个py文件，输入下面代码查看是否能用gpu
import tensorflow as tf
hello = tf.constant('hello,tensorflow')
sess = tf.Session()
print(sess.run(hello))结果如下：
三、总结
通过这样的方法此类推，随意创建其他的虚拟环境和cuda
不用手动安装cuda！
不用设置环境变量！
随意切换虚拟环境！
随意使用任一虚拟环境对应的cuda！
