在腾讯云服务器上安装tensorflow-1.15-gpu(NVIDIA TESLA T4 + WINDOWS)
关于腾讯云服务器的使用，就不过多赘述，这里有一个新手向的介绍视频，因为是拿来做深度学习，所以我买的是GPU服务器，显卡是Tesla T4，这一款需要自己装显卡驱动。
腾讯云轻量应用服务器远程桌面登录挂机教程-新手教程_哔哩哔哩_bilibili
注意，在购买的时候会让你选择系统版本，可以选windows/linux之类的，这里你需要看一下你要安装的tensorflow版本。像我一开始没想太多选择的是Windows server 2019，结果装驱动的时候发现匹配的显卡驱动最低版本只支持CUDA10.1，但是我要装的tensorflow 1.15 是和10.0匹配的，后面也出现了一系列的报错，最后把系统换成支持CUDA10.0的2016才成功。
我的版本配置：显卡Tesla T4+windows server 2016+CUDA10.0+cuDNN7.4.2+tensorflow1.15-gpu+Anaconda3-2021.11
不过云服务器换系统很方便，在控制端点几下，几分钟就好，更换系统可以参照
腾讯云服务器如何更换系统？ - 腾讯云开发者社区-腾讯云 (tencent.com)
安装步骤以官方教程为主，需要参照哪些都会列出来。
装显卡驱动
连上服务器后，第一件事是把IE浏览器换成EDGE，然后就和自己电脑一样，先从装显卡驱动开始。
这部分也不需要多说，官方教程写得非常明白。唯一需要注意的是要定好后续用的CUDA版本，以选择匹配的显卡型号。
GPU 云服务器 安装 NVIDIA Tesla 驱动-操作指南-文档中心-腾讯云 (tencent.com)
安装好后在设备管理器可以看到多了你的显卡，但是在任务管理器看不到，我也不知道为啥。
安装CUDA
GPU 云服务器 安装 CUDA 驱动-操作指南-文档中心-腾讯云 (tencent.com)
CUDA也是跟官方走，选好版本
装好CUDA和Anaconda后，看一下环境变量的Path有没有缺漏，这点十分重要，关系到tf-gpu能够顺利运行。
GPU 云服务器 使用 Windows GPU 云服务器搭建深度学习环境-最佳实践-文档中心-腾讯云 (tencent.com)
官方有一个搭建深度学习环境的教程，强烈建议看一下，里面详细的教你怎么选CUDA这些东西的版本已经环境变量。
框里圈起来的5个加上Anaconda/Scrips，一共6个一个都不能少，确保都在path里。
安装cuDNN
cuDNN版本照常安装，有一个问题是选系统版本那里只有windows7/10没有server，我选的win10，最后也成功运行了，可以参考。
创建环境
在命令栏输入以下代码
conda create -n tensorflow1.15-gpu python=3.7#tensorflow1.15-gpu是环境名称这里不出意外的话会遇到HTTPError的问题，网上的意见都是换各种国内源，试了很多都行不通
之前我的.condarc文件（在C盘用户目录下，没有就conda config一下），内容都是
default_channels:
- https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/r
- https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/main
custom_channels:
conda-forge: https://anaconda.mirrors.sjtug.sjtu.edu.cn/cloud/
pytorch: https://anaconda.mirrors.sjtug.sjtu.edu.cn/cloud/
channels:
- defaults我按照这个换了行不通（这个内容在其他电脑上安装是好使的，不知道为什么在服务器上疯狂报错）
后来翻到了这个教程，只有它有用
Anaconda建立新的环境，出现CondaHTTPError: HTTP 000 CONNECTION FAILED for url ...... 解决过程 - tianlang25 - 博客园 (cnblogs.com)
即把.condarc文件的内容换成
ssl_verify: true
show_channel_urls: true
channels:
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64/
- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/激活环境
创建好环境后，我们可以进行后续的安装操作了
在anaconda promp中激活环境
conda activate tensorflow1.15-gpu#从base切换到你创建的环境中安装tensorflow
pip install tensorflow_gpu==1.15版本验证
等代码跑完就安装好了，验证是否成功安装tensorflow-gpu版本可以在虚拟环境中输入
python
import tensorflow as tf
tf.test.is_gpu_available() # 返回True则安装成功 
以上就是在云服务器安装tensorflow1.15的全部过程。
只要版本是对的，就算还有一些小bug，百度报错信息基本都能解决，我的这篇教程也写了一些常见报错的解决方法。
windows10安装tensorflow-gpu_Silver_777的博客-CSDN博客_tensorflowgpu安装win10
关于Windows server 2016的一些问题
这个系统版本有些特殊，如果你是做3D渲染，除了安装NVIDIA Tesla 驱动和CUDA 驱动驱动以外，还需要安装NVIDIA GRID 驱动
GPU 云服务器 安装 NVIDIA GRID 驱动-操作指南-文档中心-腾讯云 (tencent.com)
而且还有一些特殊的地方，像我只是深度学习，所以没有装NVIDIA GRID 驱动，虽然GPU也可以正常用，但是在任务管理器是看不到GPU资源使用情况的
客服给的解释是：
“关于您反馈的问题2018年国庆后的Win10、Server2019、Server2022、Win11这些新系统才会在任务管理器的性能页签里显示GPU模块，Server2016等低版本系统是不会显示的，在此基础上，还需要安装Grid驱动才行，而Grid License本来就是需要跟NVIDIA申请的，由于您当前服务器是2016的操作系统，当前是需要您进行安装的”
“当前GPU NVIDIA驱动分两种，计算和渲染，如果是3D渲染业务，需要安装Grid驱动，您可根据您当前的业务来进行确认”
也就是可能需要装NVIDIA GRID 驱动，才能在任务管理器看到GPU，不过这也问题不大，程序跑起来之后，本地端控制台的监控可以看GPU调用，但是可能会有些延迟。
也可以在命令栏里输入nvidia-smi看资源调用
cd C:\Program Files\NVIDIA Corporation\NVSMI
nvidia-smi就可以看到当前的GPU使用率
