这是机器未来的第二篇文章。
在前面写：
@[TOC]
Windows GPU深度学习开发环境的安装包括图形卡驱动程序，CUDA，CUDNN深度学习加速软件包，Anaconda，TensorFlow和安装源配置。也可以安装本文，并且可以安装其他开发框架，例如Pytorch。
冯米亚人
NVIDIA图形卡，图形卡驱动程序，CUDA工具套件和Cudnn工具包。
目前，支持深度学习的图形卡基本上是n卡。无论是硬件性能，还是最新的论文支持基本上都是n卡，因此您不必在这里担心。购买时必须申请n张卡。
下载地址：https：//www.nvidia.com/download/index.aspx？lang = en-uss
2
根据提供的下载链接提供的下载链接选择最新的图形卡驱动器安装。在这里，您需要记录图形卡驱动程序的版本。如果安装CUDA，我的旧计算机图形卡的文件命名为425.31-Notebook-win10-64bit-inteernrational-whql.exe，该版本为425.31。
如果提示“ NVIDIA-SMI”不是内部或外部命令或操作程序，则可能无法配置环境变量。您需要将C：Program FilesNVIDIA CorporationNVSMI目录添加到系统环境变量，并打开命令提示符以重新输入输入InputYou可以看到上面的输出。
7
您可以看到CUDA版本为10.1
按Enter键，直到输出结果如下：
可以看出，Cudnn的版本为7.6.5
如果找不到相关信息，则可以使用以下命令测试
中国蟒蛇Anaconda是一个开源Python发行版本，包含180多个科学套餐及其依赖项（例如Conda和Python）。它简化了Python软件包的安装，并自动将依赖项关联在一起，并自动下载了依赖项。软件包以避免不必要的冲突。此外，Anaconda的最重要特征是创建虚拟环境以及各种项目开发框架和版本的隔离。
Anaconda的官方下载速度相对较慢。建议使用tsinghua大学的来源下载，尝试选择较新版本，然后根据操作系统版本选择相应的版本。
注意：没有中国道路。安装过程中没有大脑。安装完成后，已经安装了Python，PIP和其他软件。
在命令提示符中输入CONDA版本，以确认CONDA环境是否生效。
由于Anaconda官方服务器在国外，因此安装了Python软件包时，速度非常慢，因此您需要配置国内安装源，在此处使用Tsinghua University的第三方来源。
测试时，您会找到下载软件包的速度。测试完成后，删除Myenv虚拟环境
使用PIP安装软件包时，某些安装软件包特别慢。您可以选择国内安装源。
可以选择以下安装源：
以安装TensorFlow为例。
在以下配置之后，无需使用-i选项
如果安装源异常，则还原官方安装源的方法如下：
为了隔离可能与不同项目相对应的不同张量流版本，Pytorch或Python版本，强烈建议使用CONDA创建不同的虚拟环境以实现各种开发环境的隔离。
我们需要根据开发框架和CUDA版本和其他信息选择适当的开发环境。不建议为开发环境建立开源框架。您会怀疑生活。时间周期可能每周！
博客的需求是安装一个对象来检测API [对象检测API]。根据项目的最低配置，您可以理解TensorFlow-2.2 Python3.6
10
详细命令如下：
输出如下：
等待执行。
创建gpu_tf_test.py，复制以下代码：
执行测试
输出如下：
从日志中，我们可以看到图形卡GEFORCE GT 650M已成功加载，并且CUDA也成功加载了，因为GPU性能较弱，只有3.0，不符合3.5的最低要求。直接使用的CPU正在运行。
通常，深度学习安装环境的安装仍然更加麻烦，涉及
一般而言，可以通过Anaconda或Docker实现一个项目和环境的项目和环境，或者可以使用Docker实现隔离。例如，目标检测框架MMDetection尽可能多地使用Linux环境开发。
以上是我的研究摘要。欢迎与问题交流。
参考链接：
推荐阅读：
原始：https：//juejin.cn/post/7101131516964503565