WIN10下安装GPU版PyTorch与TensorFlow深度学习开发环境（Anaconda3-2019.10+CUDA_10.1+cudnn-10.1-v7.6.5）
目录
前言
1. Anaconda的安装
2. 安装CUDA10.1与cudnn_10.1-v7.6.5
2.1 CUDA的下载与安装
2.2 cudnn的下载与安装
2.3 配置相应环境变量
2.4 测试CUDA与cudnn
3. 安装GPU版的PyTorch与TensorFlow
3.1 PyTorch的安装
3.2 TensorFlow的安装
前言
emmm，第一次写博客，有很多不懂的地方，请大家多多指教……
最近因为各种电脑问题以及为笔记本电脑扩充了内存，重装了系统，导致之前配置好的环境不得不重新安装配置一遍，之前安装的GPU版的PyTorch与TensorFlow费了好大的功夫，也有很多错误的地方，所以这次总结之前的安装经验，加上各种网上安装教程的调研，总结了这次安装过程，希望能为大家多多少少带来一些便利，少走一些弯路，谢谢大家！
可能安装过程中有些地方没有及时截图，会用到网上资料中的一些截图，都会在最后标明出处，如有侵权，请私信联系，谢谢！
先说一下个人的电脑配置：
- 设备：联想拯救者y720（17年购入的机子）
（该硬件设施跑一些深度学习代码还是很吃力，不过感觉用于个人学习一些小demo还凑活）
- 操作系统：WIN10专业版
1. Anaconda的安装
- 到官网或者清华镜像下载最新版本的Anaconda安装包，截止目前最新版本为Anaconda3-2019.10
这里就不推荐官方下载链接了，因为比较慢，很可能下载失败，推荐使用清华镜像进行下载，下载链接如下：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
下载时注意选择32位或者64位的安装包（本过程采用64位安装包）
-
Anaconda的安装
注意安装时使用管理员权限打开安装包；
直接next，然后I Agree
注意到了第3步的时候有这样一个选择，这里解释一下：
Just Me：只为当前用户安装，win10为多用户操作系统，但一般我们常用的只有一个用户或者管理员用户；
All Users：为此设备所有用户安装，即相当于管理员权限，因为我们一般一台设备常用一个用户，因此这样推荐选择All Users;
然后Next；
这里设置安装路径，可以选自己想安装的路径，默认安装C盘，安装C盘有安装C盘的好处，默认路径有时候找一些东西也方便，但是个人不太喜欢安装到C盘，故选择了自己的安装路径；
然后Next
这一步的时候，如果设备里面之前没有安装过Python环境，第二项应该是默认勾选的，因为本人在写这篇博客时已经安装过一遍，所以这里手动打钩，而第一个选项是是创建环境变量，网上的其他教程对于此选项勾不勾选意见不一，但都可以安装成功，这里推荐勾选，可以免去自己配置环境变量的一些麻烦；
最后点击Install安装成功即可，可能等待时间较长，因设备配置而异。
2. 安装CUDA10.1与cudnn_10.1-v7.6.5
可以说这一步是出错最多也是最麻烦的一步，在安装这一步之前，我们需要两个安装的“生存守则”，就是PyTorch与TensorFlow的官方配置文档，分别告诉我们不同版本分别对应的CUDA与cudnn的版本；
对于pytorch：
对于TensorFlow：
以下所有步骤都要基于以上两个“生存守则”，请务必牢记。
以下安装可能出现的问题不一，如果出现没有提到的其他问题，请自行百度解决（因为我其实啥也不知道……）
2.1 CUDA的下载与安装
一般重装系统后利用驱动精灵等软件安装的N卡驱动都不是最新版，由TensorFlow的“生存指南”可以知道，CUDA10.1需要的驱动版本必须要高于418.x，因此我们需要安装更新版本的N卡驱动；
这里稍微提一个问题，我是安装CUDA安装包的时候才发现，其实CUDA包（2.多G）里面已经包含了适合该CUDA版本的N卡驱动程序，我当时不太清楚这一点，所以先进行了N卡驱动的安装，最后安装成功CUDA的时候，提示N卡驱动未安装，原因是系统已经有了更新版本的驱动程序。所以这里建议大家可以直接进行CUDA10.1的安装（如果出现问题，可以像我这样先根据自己的设备安装N卡驱动）。
特别注意的一点，最好电脑里面已经安装好visual studio 2017或者2019（社区版的就可以），因为如果不安装的话，可能会出现一些不可预料的问题，这里具体原因我也搞不懂，应该也有不安装vs安装成功的案例，但是这里建议大家还是安装一下vs，比较有保障。
因为我是先安装的N卡驱动在安装的CUDA，作为过程记录，我这里还是先安装N卡驱动；
https://www.nvidia.com/Download/index.aspx?lang=cn
到N卡官网下载符合自己设备的驱动程序，对于我的电脑，是这样选择的，供大家参考；
下载好后以管理员权限安装即可，比较简单，安装成功后打开N卡控制面板，查看驱动程序信息，可见当前版本为422.19，高于TensorFlow要求的418.x；（点击帮助->系统信息即可查看）
到官网下载CUDA10.1的安装包，链接如下：
https://developer.nvidia.com/cuda-toolkit-archive
注意一定要选择10.1版本的，因为“生存守则”！！！（我这里选择的是较新的CUDA Toolikit 10.1 update2）
推荐选择local版，大小约为2.5G
下载完成后以管理员权限安装，安装路径可以自己设置，默认路径也可以；
同意并继续
注意这里要选择自定义（或者可以试试精简安装，如果安装成功了，那么恭喜你，你是成功安装党）
特别注意！！！这里不要勾选Visual Studio Integration！！！否则会安装失败，当然可以先勾选进行尝试安装，如果安装成功了那万事大吉，如果不成功要重装一下，把这一项取消掉再安装，应该就可以成功，如果还不成功，请自行百度，有可能是版本不匹配之类的。（因为本次安装的目的是配置深度学习环境，所以Visual Studio Integration不安装也完全可以，但如果是使用vs做与CUDA相关的开发，应该是必须得安装了，网上有很多解决方案，可以自行参考）
这里安装路径默认就好，如果自己设定，一定要记好路径！！！后续安装cudnn时需要；
可能安装时间比较长，安装成功后如下：
2.2 cudnn的下载与安装
下面给出官网的下载链接，下载cudnn需要注册一个NVIDIA的账号，大家注册后下载就好；
https://developer.nvidia.com/cudnn
注意这里不要选择错了。一定要选择对应CUDA10.1的，这里的cudnn版本为v7.6.5，也符合TensorFlow“生存守则”中cudnn版本>=7.6的要求；
下载好后是一个压缩包，解压缩之后打开应该是这样；
将这三个红框文件夹复制粘贴到刚刚安装的CUDA目录下（之前提示要记住的目录），如果采用的是默认安装，则目录如下：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1
可以打开bin目录中查看是否有cudnn64_7.dll这个文件，有的话就OK啦；
2.3 配置相应环境变量
此电脑 -> 属性 -> 高级系统设置 -> 环境变量
系统变量中找到Path；
可以看到有些环境变量安装时已经自动配置好了，这里包括之前安装anaconda时勾选红字自动添加的环境变量；
这里我们需要新添加这样几个变量，作为之前没有安装Visual Studio Integration的弥补；
有些是自己生成的，有些是需要手动添加的，我当时只添加了这3个：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\lib64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite
剩余的我也放到这里，大家可以检查一下自己的环境变量，如果没有自动生成的话，大家也可以手动添加一下（一般情况下都会自动生成）；
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp
C:\Program Files (x86)\NVIDIA Corporation\PhysX\Common
C:\Program Files\NVIDIA Corporation\Nsight Compute 2019.4.0\
2.4 测试CUDA与cudnn
打开系统命令行工具，输入nvcc -V，查看CUDA版本信息（注意nvcc与-V之间有空格，V要大写）；
再输入deviceQuery.exe，可以测试CUDA是否“抓到”你的显卡；
显示PASS，说明安装成功！！！
至此，可以说CUDA与cudnn已经安装成功，最艰难的一步已经跨过去啦！！！
3. 安装GPU版的PyTorch与TensorFlow
3.1 PyTorch的安装
这一步相对于前两步轻松很多，打开Anaconda Prompt
先将清华镜像源添加到默认源中，输入以下命令添加conda镜像：
（如果不使用清华源的话，从官方下载包速度会很慢，容易很容易安装不成功，所以还是推荐使用镜像进行下载安装，也可以使用中科大，阿里云等其他镜像源）
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然后创建一个使用PyTorch的环境：
（-n后面是你要创建的环境的名称，可以自由设定，这里为方便直接使用PyTorch）
conda create -n PyTorch python=3.7创建完成之后激活该环境：
conda activate PyTorch如图已经进入刚才创建的环境中：
进入该环境后可以使用conda list查看当前已经安装的包，接下来进行PyTorch的安装：
输入PyTorch“生存指南”中的安装代码即可，但这里要注意去掉-c pytorch，根据提示输入y，然后进行安装；
conda install pytorch torchvision cudatoolkit=10.1安装成功后再次使用conda list查看安装好的包，可以看到最重要的包已经安装成功！
输入python进入python编辑环境，输入以下测试代码进行测试：
import torch
print(torch.cuda.is_available())
a = torch.Tensor([1.0])
b = a.cuda()
print(b)
from torch.backends import cudnn
print(cudnn.is_acceptable(b))出现如下输出即为安装成功！
3.2 TensorFlow的安装
同样，先创建一个使用TensorFlow的环境：
（官方文档表明目前python3.6的版本对于TensorFlow较为稳定，因此这样创建环境时python的版本设定为3.6）
conda create -n TensorFlow python=3.6激活并进入环境后直接安装TensorFlow的GPU版本，网上很多资料都使使用pip安装（使用pip安装时也要注意添加镜像），当然也可以，我当时直接使用conda进行安装的，而且conda安装默认是当前最新版本的TensorFlow，即2.1.0；
conda install tensorflow-gpu然后安装keras：
conda install keras输入命令conda list查看已经安装好的包；
输入python进入python编辑环境，输入以下测试代码进行测试：
import tensorflow as tf
tf.test.is_gpu_available()
tf.__version__出现如下输出即为安装成功！
到这里，整个深度学习环境就配置成功了，总结下来却是还是比较麻烦的，出现各种问题都有可能，希望各位小伙伴们在安装的时候务必仔细，耐心一些。
至于编程的IDE，可以选择pycharm或者jupyter等，这里相关的安装及配置就不在赘述了，大家可以自行百度一下，都比较简单。
以上安装过程中用到的安装包，如不想自己下载的或者下载速度慢的，这里我分享给大家；
链接：https://pan.baidu.com/s/1wC42j814PT5b1cAJXo2G8w
提取码：pzsx
整个安装过程中，我参考了如下资料：
https://zhuanlan.zhihu.com/p/59031211
https://blog.csdn.net/weixin_40802676/article/details/94753951
https://blog.csdn.net/weixin_44170512/article/details/103990592
https://www.bilibili.com/read/cv2425102
第一次写博客，有些地方比啰嗦，如果有不足之处请及时指出，谢谢大家！！！