这是一篇非常简洁的tensorflow GPU安装方式，不需要下载软件自己去配置。

需要如下几个步骤：

一.anaconda更换清华源

二.安装tensorflow GPU版本

三.测试是否安装成功

首先，我们把anaconda的下载源更换为清华源，这样加速后续安装的下载速度，打开清华源网站anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror，按照该网站上的指示，对于Windows系统，首先在anaconda中base环境下运行命令

你会发现在你的用户名对应的目录下会生成一个.condarc文件，如图所示

用记事本打开该文件，并把清华源网站中的内容复制进去，保存退出

anaconda中base环境下运行命令

清华源更换完成

网上很多教程都说需要单独下载cuda和cudnn并进行安装，这种方法确实可以，但是这样容易出现版本不匹配问题，举个例子，如果把cuda和cudnn下载下来并进行安装，在程序员的电脑中，可能存在多个深度学习框架（如tensorflow和pytorch），这样tensorflow和pytorch就要共用单独下载好的cuda和cudnn，需要保证tensorflow与pytorch的版本均与单独下载的cuda和cudnn匹配，如果有一天，我想更新pytorch版本，则对应的cuda和cudnn版本就要更新，那么因为cuda和cudnn版本更新，导致tensorflow 的版本也必须更新，这就把多个深度学习框架的版本捆绑在一起了，非常不方便。

因此我们充分利用anaconda的优势，anaconda最大的优势就是对于虚拟环境的管理与使用，因此我们只需要在anaconda中创建虚拟环境并在该环境中安装cuda和cudnn包就可以了。

首先创建新环境（这里我创建一个名为tf的环境）

创建完毕后激活

在该环境中，安装cudatoolkit与cudnn，执行以下命令

这里要非常注意，经Index of /anaconda/pkgs/main/win-64/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror网站查询，conda命令中安装的cudnn版本只能为以下版本

同时查阅tensorflow官网给出的tensorflow与cuda、cudnn的对应关系（经实际测试tensorflow2.4.0与cudnn8.2.1，cuda11.0也可完美适应，另外对于rtx3开头的gpu（如3060），cudnn7版本与其不太适配，运行代码需要启动很久，建议装tensorflow2.4.0与cudnn8.2.1、cuda11.0）

对比图3与图4，因此我们选择安装cudnn7.6版本中最新的7.6.5版本，cuda安装10.1版本，tensorflow安装2.3.0版本。

接下来安装tensorflow2.3版本（使用豆瓣pip源，下载快）

这里的tensorflow=2.3.0，已经包括了CPU和GPU版本

至此，tensorflow GPU版本安装完毕

激活并进入创建的tf环境，

执行以下代码

输出为tensorflow版本（2.3.0）

检查GPU版本是否可用，执行以下代码

输出为True，表安装成功

注意：如果安装的是tf2.4.0版本，运行代码可能会出现：

Not creating XLA devices, tf_xla_enable_xla_devices not set

其实这是由于Tensorflow 2.4版本新特性所致，可以直接忽略，看看2.4版本的release就一目了然，并不是很多博客说的版本对应问题，回退到老版本治标不治本。如果需要用XLA，添加TF_XLA_FLAGS=–tf_xla_enable_xla_devices即可解决该warning。