安装过程掉了好多坑，看到这篇安装教程觉得直白容易上手，而且亲测有效，于是就翻译一下，并根据实际一般情况进行了修改。
原文链接：https://millansanchez.medium.com
安装之前的准备：
- 确保电脑安装了NVIDIA驱动程序，且计算能力在3.5以上（CUDA GPUs可以查询对应型号的计算能力）；
- 安装Anaconda或Miniconda。
安装过程：
- 先安装Jupyter Notebooks（安装Anaconda的可跳过）
conda install -y jupyter
2. 为 Python 3.7 和 TensorFlow 创建一个虚拟环境（TensorFlow 目前支持 Python 3.8，不使用是因为后面无法进行自动安装）
conda create --name tensorflow-gpu python=3.7
3. 激活环境（后续命令也在这个环境中运行）
activate tensorflow-gpu
4. 在此环境中安装 Jupyter Notebooks 支持，并且同意安装所需的组件
conda install nb_conda
5. 安装tensorflow-gpu，安装时会自动安装对应版本的cudatoolkit和cudnn
conda install tensorflow-gpu=2.1 pip install tensorflow-gpu==2.3.1
6. 在 Jupyter Notebooks 中选择这个新环境作为内核，并命名为Python 3.7 (with TensorFlow GPU)
python -m ipykernel install --user --name tensorflow --display-name "Python 3.7 (with TensorFlow GPU)"
7. 为这个虚拟环境安装一些常用库
conda install pandas conda install scikit-learn
8. 打开Jupyter Notebooks，使用下面代码测试
import sys
import tensorflow.keras
import pandas as pd
import sklearn as sk
import tensorflow as tf
print(f"Tensor Flow Version: {tf.__version__}")
print(f"Keras Version: {tensorflow.keras.__version__}")
print()
print(f"Python {sys.version}")
print(f"Pandas {pd.__version__}")
print(f"Scikit-Learn {sk.__version__}")
gpu = len(tf.config.list_physical_devices('GPU'))>0
print("GPU is", "available" if gpu else "NOT AVAILABLE")
最后结果是这样的：
Tensor Flow Version: 2.3.1 Keras Version: 2.4.0 Python 3.7.9 (default, Aug 31 2020, 17:10:11) [MSC v.1916 64 bit (AMD64)] Pandas 1.1.5 Scikit-Learn 0.23.2 GPU is available
最后一步验证这里有个坑，每个GPU的设备类型是不一样的，比如我的电脑设备类型为'XLA_GPU'，所以gpu = len(tf.config.list_physical_devices('GPU'))>0这段代码最后会打印出现了GPU is NOT AVAILABLE的结果。可以用下面的代码查询设备类型，然后更改上述代码中的相应名称，再运行应该就ok了。
from tensorflow.python.client import device_lib device_lib.list_local_devices()
