window10 安装tensorflow-gpu==2.0.0-beta1 和 pytorch 1.2

py 3.7
TensorFlow 2.0 beta1
pytorch 1.2
cuda 10.0

最前面加一句：DeepLearning很需要gpu计算能力，所以找一块活儿好的Tesla计算卡尤为重要，本地计算机可以只用来写代码和简单调试。。。模型训练推荐大家去白嫖谷歌colab

刚发现kaggle不墙了（或者一直没墙？？不清楚），所以推荐用kaggle的gpu，连接比用梯子爬谷歌稳定，而且很多数据集不需要自己去下载，直接添加kaggle官方或者竞赛数据集就很好用

一、环境准备

1、安装cuda 、 cudann （注意安装10.0版本）
①
cuda10.0
cudann

注意与cuda版本一样

下载完成。
②先安装cuda，安装选项全部默认即可，注意电脑上需要有vs2017或者vs2015，不然会挺麻烦。
安装完成cuda看一下环境变量path

有这两项就OK了。
③ cudann压缩包解压，得到一个名为cuda的文件夹，为方便我们把解压后的文件夹放到cuda安装目录下，并且改名cudann

④添加环境变量
cudann下的bin和 extras\CUPTI\libx64 添加进环境变量


完成后环境变量置顶的四项是这样的：

二、安装TensorFlow2.0

TensorFlow官网

（ps:建议用anaconda新建一个DeepLearning环境，把TensorFlow和 pytorch安装到这个环境下，方便管理。如果conda新建环境安装的话记得安装完在新环境里再安装一次jupyter，否则会出现找不到包的情况，这种问题出现是因为我的DeepLearning新环境用的py3.7，而base环境用的是3.6）

用这条命令直接安装即可（如果速度很慢可以换源，或者科学上网）
安装完成用下面代码测试下是否能正确使用 tensorflow-gpu

import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL']='2'  # 加入这行可以消除一些无用的信息输出，比如硬件设备信息之类的
 
print(tf.test.is_gpu_available())
print(tf.test.gpu_device_name())

# out:
# True
# /device:GPU:0

如果结果能正常输出但是出现一堆提醒：FutureWarning: Passing (type, 1) or ‘1type’ as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / ‘(1,)type’. _np_qint8 = np.dtype([(“qint8”, np.int8, 1)])
是因为numpy版本不适合，把numpy版本改成1.16.0即可，

pip install numpy==1.16.0

三、pytorch安装

因为前面已经环境都准备好了，所以pytorch安装就很简单了
pytorch官网
选好之后在之前建好的DeepLearning环境下安装

测试一下