进入官网（由于网速问题，建议去镜站下载）

点击这里到清华镜像站下载，不用选择最新版（不太稳定），选择前排的版本即可

然后一路傻瓜式安装操作

这里记得更改一下安装路径，因为后期创建的虚拟环境都会在这里，如果安装在C盘，则容易造成堵塞

测试

只要是安装与配置，那必离不开测试：

conda —version查看版本

查看电脑驱动

这里使用nvidia-smi命令可以查看自己电脑的显卡驱动版本,另外需要补充的一点是,显卡必须是英伟达家(即所谓的N卡)的才可以使用Cuda并行计算框架,本人使用拯救者R7000P使用的GTX2060即是英伟达家的显卡

根据驱动下载相应的Cuda安装包.

根据官方给出的数据显示

我可以下载11.5的版本

进入官网下载相应版本的Cudnn

在这里的版本需要根据你的cuda的版本来进行相应的匹配，在官方文档中有详细的说明。请看下图，在我的电脑中，我的安装的是11.5版本的，所以说我在这里需要下载8.4版本的cudnn

点击下载后会让你填写一个问卷调查，按不就班的填一下就好了

这里有指出8.4版本正好对应11.x

安装与配置

将下载好的文件包解压后，将里面的三个文件复制到cuda的对应文件中：

测试

进入demo_suite运行deviceQuery.exe看是否成功

安装好后直接在Pycharm中使用该环境，测试如下：

可以查看一下是用的GPU版本还是CPU版本

import tensorflow as tf
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
print(sess.run(c))

注意这种检验方法是原来tf1版本的，现在使用tf2，需要设置一下才可以正常使用，否则会报错

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess = tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(log_device_placement=True))
print(sess.run(c))

由此可以看出，我的是GPU