一、下载相应的包
1.首先明确自己的电脑有没有GPU
这里主要教大家配置关与tensorflow-gpu环境的配置，CPU配置比较简单，下文也会介绍
查看GPU的方法：任务管理器——性能——找GPU（如下图）
这样就代表电脑拥有GPU显卡，可以进行tensorflow-gpu的配置
2.关于CUDA
这里我们要查找自己的电脑显卡最高可以带动哪个版本的CUDA，不要贸然下载
方法1：开始——搜索NVIDIA（多数电脑都为英伟达的显卡)——NVIDIA控制面板——左下角的系统信息——组件——查看自己可以下载最高的CUDA版本
这里可以看到我可以下载的CUDA最高版本是11.1（记住自己可下载的最高版本）
放法2：Win+R——cmd——输入nvidia-smi
那么我们也可以看到在右上角发现自己可以下载的的CUDA最高版本为11.1
3.查找CUDA、cudnn、python、tensorflow版本的对应情况
这里放上CPU和GPU 两个版，以供大家参考
以我的电脑为例，我可以下载的CUDA最高版本为11.1
这里我选择下载CUDA11.0版本，相应的就得下载cudnn8.0版本和python3.6-3.8版本
大家选择适合自己的版本即可
二、下载Anaconda3
Anaconda3是非常强大的软件在用python进行深度学习的学习时必不可少，它可以提供并配置许多包
这里推荐从清华镜像站下载各版本：Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror
下滑找到Anaconda3
注意 ：Windows操作系统需要下载的是exe可执行程序
这里我选择的是Ancaconda3-2020.11对应的python版本是3.8.5
选择好后下载安装即可
注意：这里最好两个全选，第一个主要是加入环境变量
安装好后就可以查看自己的python版本了 Win+R—cmd—python
可以看到已经安装完成了
然后点击开始，搜索，看是否有Anconda Prompt
三、下载CUDA和cudnn
CUDA下载网址：CUDA 工具包存档 |NVIDIA 开发者
cudnn在下载网址：cuDNN 存档 |NVIDIA 开发者
依据上文对照表 下载相应的CUDA和cudnn
下载CUDA
这块选择的CUDA的解压路径，任意即可,点击ok进入下一步
这里要选择自定义，然后继续下一步即可
注意：安装路径默认即可，并记住自己的安装位置
安装完后进入设置—搜索高级系统设置—环境变量
在系统环境变量中查看自己是否有这四个环境变量，没有的话需手动加入
验证是否安装成功
Win+R—cmd—输入：nvcc --version
这样就表示CUDA安装成功了
下载cudnn
（下载网址在大标题下）
下载cudnn需要我们注册一个账号进行下载，下载对应版本即可
下载完成后应该是一个压缩包，自定义解压文件后发现是一个文件夹
然后我们需要在CUDA的安装目录中找到与之对应的文件夹
之后，我们需要将cudnn文件夹中的内容复制粘贴到CUDA对应的文件夹中
最后，配置环境变量
进入高级系统设置—环境变量—系统环境变量—Path查找是否生成以下四个环境变量，没用需要手动添加
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv11.0in
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv11.0libnvvp
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv11.0include
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv11.0lib
四、下载并配置tensorflow-gpu
进入Anaconda Prompt
激活tensorflow环境：输入：activate tensorflow
通过豆瓣源下载tensorflow-gpu 2.4.0 （注意上文中的对照表，不要下错版本）
pip install tensorflow-gpu==2.4.0 -i https://pypi.douban.com/simple/
如果下错了也不要紧使用pip uninstall tensorflow 即可卸载已安装的tensorflow
如果卸载不成功可以用pip list 命令查找已安装的包找到tensorflow的版本指定版本卸载即可，如下图中我已安装好的tensorflow可以看到版本为2.4.0
这里可以看看有没有tensorboard ，看看是哪个版本，应该和tensorflow的版本是一致的，没有的话也可以通过豆瓣源进行下载
安装好后就可以进行验证了
激活tensorflow环境：activate tensorflow
进入python：输入以下代码验证：
import tensorflow as tf
print(tf.__version__)
print('GPU', tf.test.is_gpu_available())
版本显示没问题
可以看到虽然有警告但是GPU调试没有问题结果为Ture，这就代表你的tensouflow配置成功了（emm…，好像以前是好的来着，希望大家没有这种问题）
运行一小段代码试试
import tensorflow as tf
import timeit
with tf.device('/gpu:0'):
gpu_m = tf.random.normal([10000, 1000])
gpu_n = tf.random.normal([1000, 2000])
print(gpu_m.device, gpu_n.device)
def gpu_run():
with tf.device('/gpu:0'):
a = tf.matmul(gpu_m, gpu_n)
return a
gpu_time = timeit.timeit(gpu_run, number=10)
print('run time:', gpu_time)
能输出就表示没有问题（忽略警告，咳咳）
五、Pycharm上tensorflow环境配置
1.查看自己tensorflow的安装位置
首先查看自己的tensorflow是不是安装在了Anaconda的目录下
方法：继续在Anaconda Prompt中进入python 输入以下代码
import tensorflow as tf tf.__path__
结果如下：
可以看到自己的tensorflow环境在anaconda目录下
2.在Pycharm上配置tensorflow环境
进入Pycharm 文件—设置—python Project—python 解释器—（右上角蓝色字）添加解释器—选择Conda环境（可执行文件是自己anaconda安装环境下conda.exe文件，使用的现有现环境为刚才配置过的tensorflow环境—点击确定
新建个python文件后依然用这串代码检测配置情况
import tensorflow as tf
print('GPU', tf.test.is_gpu_available())
显示结果为：
欧克，没有问题，调试成功
OK，希望上述内容对你有用，喜欢还请点个关注，点个赞，爱你呦