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。

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

我下载的是这一个：https://developer.download.nvidia.com/compute/cuda/11.6.2/local_installers/cuda_11.6.2_511.65_windows.exe

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

我下载的是这一个：https://developer.nvidia.com/compute/cudnn/secure/8.4.1/local_installers/11.6/cudnn-windows-x86_64-8.4.1.50_cuda11.6-archive.zip

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.

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

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）。

tensorflow-gpu完整安装（附各种报错解决办法）_恩泽君的博客-CSDN博客

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