python Tensorflow-GPU 环境搭建（win11）
1. 检查电脑GPU驱动型号等信息 获悉电脑支持的最高cuda型号
（1）打开英伟达控制面板 如下图
（2）查看对应显卡型号 如下图 我的版本是517
（3）在网站 CUDA 12.1 Update 1 Release Notes (nvidia.com) 查看该显卡驱动型号对应的cuda型号（支持的cuda最高型号） 如下图 可以看到 我的最高能支持到cuda11.8
ps：以上步骤参考：win11配置深度学习环境GPU - 知乎 (zhihu.com)
2. 在Tensorflow官网上根据需要的Tensorflow版本查找所对应的cuda和cuDNN的版本
在网站 Tensorflow中文官网 上找到满足自己需要的 tensorflow-gpu 的版本，并查看其对应需要的cuda 和 cuDNN 型号。如下图，我的代码需要 tensorflow2.6，其需要的cuda版本是11.2，cuDNN版本是8.1，是可以被我电脑的显卡驱动所支持的。
3. NVIDIA官网上下载相应型号的cuda 并正确安装配置
（1）下载
cuda在英伟达官网上下载即可：英伟达官网
当根据自己的电脑进行选择后，请一定要注意，如下图红框所示，要选择找到所需的历史版本，并进行下载。
（2）安装
安装时，要注意
- 选择默认文件夹 并记得安装路径 便于之后修改添加环境变量 并安装cuDNN
- 选择自定义安装 而非精简安装 如下图所示
之后出现了一个争议性问题：
如下图所示，红框所示的三个是否要勾选
不同的参考源给出了不同的选择，但总的来说，原则如下：
如果是第一次安装，尽量全选；如果是第n次安装，尽量只选择第一个，否则可能会出现错误
（3）配置环境变量
如下图所示 查看变量名为 CUDA_PATH 和 CUDA_PATH_V11_2 的系统变量，是否如下图所示被添加了正确的路径（值）。如果没有，则需要手动添加，且添加的内容应该是刚刚安装 cuda 的路径。（比如我的就是 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2 ）
（4）校验
参考 “5.检查cuda是否安装成功 ”
ps：参考源
cuda下载安装1
cuda下载安装2
4. NVIDIA官网或镜像网站上下载相应型号的cuDNN 并正确安装配置
（1）说明
cuDNN是一个下载安装包，获取方式有以下三种
- 找公司或者学校的数据库 看有没有（我采用的）
- 从英伟达官方网站上下载 但需要注册 参考中间部分
- 从镜像网站上下载 参考中间部分
（2）安装
cuDNN解压后应该是一个文件夹 包含了 bin, include, lib 三个子文件夹以及一个txt说明文件
如下图所示，找到自己cuda的安装路径，并将相应的内容拷贝到对应的位置（不会有冲突文件），如下图所示。
（3）配置环境变量
类似于cuda配置环境变量，但不同的是，cuDNN需要对变量名为 Path 的变量进行编辑操作，再如下图所示，查看并添加以下四个路径。
（4）校验
参考 “7.检验tensorflow-GPU能否正常加载”
5. 检查cuda是否安装成功
（1）cmd进入命令行窗口 键入 nvcc -V 显示如下图红框所示 即为该版本安装成功
（2）cd 进入到cuda的安装路径（比如我的就是 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2），并继续向下进入到 ...\extras\demo_suite 文件夹，找到如下两个.exe文件，并在cmd窗口内执行，看是否得出如下图所示的结果：
（3）参考源：检验cuda是否安装成功
6. 创建虚拟环境 并在该环境里下载安装相应版本的tensorflow
（0）使用 Anaconda Powershell Prompt 命令行通过conda创建虚拟环境
（1）conda 创建虚拟环境。依据步骤2，可知需要tensorflow版本为2.6时，python版本应为3.8
因此：conda create --name 英文环境名 python==3.8
（我的英文环境名为 tensorflow26）
（2）激活该虚拟环境
conda activate 英文环境名
（3）在该激活虚拟环境下通过pip安装tensorflow
pip install tensorflow-gpu==版本号
（我想安装的版本号是2.6）
7. 检验tensorflow-GPU能否正常加载
在任意位置创建一个py文件（路径没有中文），python代码如下：
import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))
a = tf.constant(2.)
b = tf.constant(4.)
print(a * b)在步骤6所述的虚拟环境（已激活）下，运行该代码。如下图所示：
8. 排除相应的错误
事实上，我的步骤7一开始并没有成功，遇到了报错：
内容类似于下面：
TypeError: Descriptors cannot not be created directly.
If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >= 3.19.0.
If you cannot immediately regenerate your protos, some other possible workarounds are:
1. Downgrade the protobuf package to 3.20.x or lower.
2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).
解决办法是，按照提示，对 protobuf进行降级。
具体来说，
（0）Anaconda Powershell Prompt中激活该虚拟环境（如果已经在该虚拟环境中，可不做）
（1）pip uninstall protobuf 卸载当前protobuf
（2）pip install protobuf==3.19.0 安装符合要求的protobuf
参考