conda/pip两种快速安装Tensorflow-gpu的方式
主要讲一下在Linux下安装tensorflow gpu版的两种方式：使用conda和pip安装。安装cpu版本比较简单，安装命令相同，但是省去了安装cuda和cudnn。
注意： 在安装tensorflow gpu版本前，首先要清楚不同版本tensorflow对应不同的cuda，cudnn版本，而不同的cuda版本对显卡驱动版本又有要求。这几个版本不符合要求是无法使用gpu版本的tensorflow，下面给出了官网说明。
tensorflow-gpu各版本与cuda，cudnn匹配查询:
https://tensorflow.google.cn/install/source?hl=en#linux
CUDA版本与显卡驱动版本匹配查询：
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
实际经验： 在实际使用过程中发现cuda版本必须满足显卡驱动的要求，而cuda版本有时不用完全按照tensorflow版本的要求，可以比tensorflow官网要求的cuda版本低。
关于CUDA和cuDNN安装本文不再详说，CSDN上一搜一大堆。先在nvidia官网下载CUDA安装文件和cuDNN安装文件（需要登陆后才能下载）。这里给出安装教程链接：CUDA安装教程，cuDNN安装教程。
1、使用conda安装tensorflow（推荐）:
先用conda查询可以安装的tensorflow版本，根据当前的python环境，查询到的版本会有不同，比如python3.6查询到的tensorflow版本就比python3.7查询到的多，原因是一些老版本的tensorflow只支持到python3.6。可以在tensorflow官网安装页面上可以查到不同tensorflow版本支持的python ，若要安装cpu版本的tensorflow直接将后面的-gpu去掉即可。
conda search tensorflow-gpu
安装所需的tensorflow版本，等号后面指定版本，若不指定默认安装最新版本。在安装tensorflow 2.0以上版本时会自动安装上依赖的cuda和cudnn，省去了另外安装cuda和cudnn。
conda install tensorflow-gpu=1.15.0
注意：同一个tensorflow-gpu版本可能有多个cuda的版本，用这个命令下载的cuda和cudnn可能和自己平台不符合，不符合是指和显卡驱动不符合。那么就需要卸载cuda和cudnn重新安装指定版本的cuda和cudnn。
conda uninstall cudnn
conda uninstall cudatoolkit
其实也可以不用卸载，直接执行安装新的指定版本命令，老版本的会自动被替换，这个时候会把tensorflow一起替换掉。
conda install cudatoolkit=9.0
conda install cudnn
2、使用pip安装tensorflow
pip安装就一行命令，等号后面可以指定版本，若不指定默认安装最新版本：
pip install tensorflow-gpu==1.15.0
安装好后检查tensorflow gpu版本是否可用，返回结果为True则可用，如果返回False，那么GPU不可用，tensorflow会使用cpu模式，返回False原因多半是cuda，cudnn，显卡驱动这几个的问题，查看他们是否安装好，以及是否满足本文前面讲的版本对应。
import tensorflow as tf
print(tf.test.is_gpu_available())