号外：不另配置CUDA+cuDNN也可安装GPU版本的tensorflow、PyTorch

这篇完全是一定程度上推翻了之前的所有努力，但涅槃新生

通常配置tensorflow-gpu的流程是这样，先配置驱动-> CUDA+cuDNN-> tensorflow-gpu ，几天前我也是这么干的，但是我们没有意识到一点的是Anaconda自带了CUDA及cuDNN

本文流程

装显卡驱动->装 Anaconda -> conda install GPU版本框架

显卡驱动装完后的结果显示

PyTorch

上述发现源于我安装PyTorch时，发现事实上不用这么麻烦。下图是PyTorch官网根据系统状态自动匹配的，我的显卡驱动最大可支持CUDA 10.1但是我只安装了CUDA 10啊，这可咋整。

然后我抱着试着看的态度在新建的环境中：

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

然后你猜我看到了什么？

但是安装速度实在太慢了，尤其是464M的pytorch-1.3，所以得解决啊，要不得等到猴年马月，还是添加个conda清华镜像加个速。添加的结果可以通过 sudo gedit ~/.condarc查看

在shell中用 conda info 查看已添加的所有conda源

注意这下安装命令就没有后缀 -c pytorch ，这样才会默认走添加的清华镜像

conda install pytorch torchvision cudatoolkit=10.1

先别激动咱先测试一下：

##Test CUDA+cuDNN
import torch
print(torch.cuda.is_available())
print(torch.backends.cudnn.is_available())

Tensorflow

法1：（推荐）安装完Anaconda后，运行下面命令方可，tensorflow-gpu的CUDA依赖别超过驱动的最大支持就好：

conda install tensorflow-gpu==版本号 

法2：（不推荐）依赖安装CUDA+cuDNN
利用清华镜像加速安装

pip install tensorflow-gpu==版本号 -i https://pypi.tuna.tsinghua.edu.cn/simple

本文中当然采用推荐的法1

conda install tensorflow-gpu==1.12

注意：1.12这个版本起初python3.5环境没好使，执行上条命令有冲突，根据提示python3.6环境下才好使。
检验一下可不可用（含GPU信息方可）：
import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))