注1：这是给我的windows配置的记录
注2：已有安装包/安装程序均在D:\installpackage
注3：今年上半年写的了，懒得排版就发发好了
CUDA + cuDNN
关系：显卡，显卡驱动，nvcc，cuda driver，cuda toolkit，cuDNN
0. 如果没有nvidia driver,也要安装!
1. 首先安装CUDA（已有），要注意CUDA版本和显卡驱动版本是一一对应的
2. 配置环境变量
3. 测试安装成功否（打开命令行窗口，输入nvcc -V）
4. 再用官方示例测试，切换到CUDA自带测试用例路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite。打开cmd，运行.\deviceQuery.exe得到下面结果说明安装成功。 注：这一步可能会失败，但是应该不太影响后续（还不清楚原因）。
5. 登录NVIDIA并下载深度学习GPU加速库cuDNN（已有）
6. 将解压后得到的.h .lib 和.dll 文件分别复制到cuda的include, lib/x64, bin 文件夹下（后者路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2）
7. 用官方示例测试，运行CUDA的官方示例，在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite路径下打开cmd，运行.\deviceQuery.exe显示如下结果说明安装成功。
查询
cmd输入以下内容，查看显卡驱动版本（Driver Version: 442.19），显卡版本（GeForce MX250）
nvidia-smi
cmd输入以下内容，查询CUDA版本（V10.2.89）
nvcc --version
Anaconda + Pycharm
1. 安装Anaconda（已有），新建环境
2. 下载安装Pycharm（社区版即可，已有）
3. 使用自己创建的环境配置Pycharm
4. 更换清华镜像源
5. 查看需要下载的pytorch版本，用conda下载，去掉“-c python"便不再强制从官网下载了，参考 （torchvision，cudatoolkit会一并下载）
6. conda下载cudnn（如果已有这个包，就不必了） 注意：进入自己的环境再用此命令，否则会装到base下
conda install cudnn
7. 测试是否能使用CUDA
importtorch
flag=torch.cuda.is_available()
print(flag)
ngpu=1
# Decide which device we want to run on
device=torch.device("cuda:0"if(torch.cuda.is_available()andngpu>0)else"cpu")
print(device)
print(torch.cuda.get_device_name(0))
print(torch.rand(3,3).cuda())
如果flag=false
* 如果出现flag是False，检查一下驱动版本，有时需要手动下载最新的驱动（高级设置-清洁安装）。
* 检查pytorch版本，可能是pytorch与CUDA版本冲突
同等环境下使用python3.7，pytorch1.3，cudatoolkit10.1，上述示例一直失败，但是tensorflow可以正常使用GPU。挨个排查，直到修改完pytorch版本为1.2才成功。
配置环境
OS：win10（×64）
显卡：AMD GeForce MX250
显卡驱动：Driver Version: 442.19
CUDA：V10.2.89
cuDNN：7.6.5（与CUDA版本对应）
torch36环境：python3.6、pytorch（1.2.0，py3.6_cuda100_cudnn7_1）、cudatoolkit（10.0.130）、cudnn（7.6.5）