一、云端GPU服务器
在学习过程中发现：tensorflow 2.3.0 要求GPU算力最小为3.5，而我的 GTX 760 显卡算力才3.0，无法使用GPU。
所以找到了一个云端GPU服务器租用平台（AutoDL），而且创建实例后默认已经装好了cuda、cudnn、python、tensorflow，开箱即用，爽的一批，推荐使用云端GPU环境。
创建实例后直接ssh登上去使用就ok，简直不要太爽，一小时5毛钱值了。
二、本地安装（windows平台）
安装必看
在【NVIDIA控制面板】->【系统信息】->【组件】界面，可以看到显卡最高支持的CUDA版本，这里我的破显卡RTX 3060 Ti 最高支持 cuda11.7版本：
接着，根据显卡最高支持的CUDA版本，来综合选择你所能使用的tensorflow版本。
在 tensortflow 环境搭建中，需要时刻注意python版本、cuda版本、cudnn版本、tensorflow版本之间的一致性，并且遵守：主版本号不要跨越，次版本号可以略高。。
比如这里我的显卡最高支持的CUDA版本是11.7，所以我可以安装2.6.0版本的tensorflow-gpu（下文用tf代替），我这里选择装CUDA 11.2，也是OK的。
确定CUDA装11.2后，就只能装8.1版本的cuDNN for 11.2。
所以本文中作者的环境版本是：
- CUDA：11.2
- cuDNN：7.6.5 for CUDA 10.2
- Python：3.6
- tensorflow-gpu：2.6.0
下面的参考图来自官网：https://tensorflow.google.cn/install/source_windows#gpu。
1. anaconda
下载地址：https://www.anaconda.com/products/individual
下载完成之后一路next进行安装：
检查版本：
2. CUDA
CUDA 11.2 要求显卡驱动 450.80.02 或更高版本。
（1）下载CUDA（11.2版本）下载地址：https://developer.nvidia.com/cuda-11.2.0-download-archive
（2）安装 CUDA（自定义方式安装）设置临时解压路径：
等待系统检查通过，同意许可协议：
选择自定义安装：
去掉对Visual Studio的支持（用不到）：
检查CUDA自带的显卡驱动版本与电脑当前版本号，如果低于则取消显卡驱动安装，否则显卡驱动安装会失败：
进入下一步，保持默认路径：
继续点击下一步开始安装：
安装完成：
检查是否安装成功：
确认一下cupti：
（3）安装cuDNN（Deep Neural Network library）（版本：cuDNN v8.1.1 (Feburary 26th, 2021), for CUDA 11.0,11.1 and 11.2）
下载地址：https://developer.nvidia.com/cudnn。
下载后解压，重命名为cudnn，复制到CUDA安装路径下，如图：
将cudnn下的bin目录配置到环境变量PATH并置顶：
再将之前cupti库的目录也添加到环境变量并置顶：
一路确定退出，然后重启电脑生效。
3. tensorflow
打开anaconda的命令行环境进行安装。
换阿里源：
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/创建新环境：
conda create -n tf_study python=3.9激活新环境：
conda avtivate tf_study
在新环境中安装tensorflow-gpu版本：
# gpu版本
pip install tensorflow-gpu==2.6.0安装完之后测试：
import tensorflow as tf测试GPU是否配置成功：
tf.config.list_physical_devices('GPU')成功导入，找到GPU，结果如下：
4. pycharm
（1）下载安装
下载地址：https://www.jetbrains.com/pycharm/
下载之后直接安装即可。
（2）配置在Pycharm创建项目时，配置解释器为conda中的解释器：
