注意看显卡版本及torch和tensorflow支持的最新显卡版本
cmd> nvcc -V #提示版本表示成功，但不意味着可以使用
cmd> nvidia-smi #gpu监控，nvidia-smi | head，经常另开shell观察GPU的运行情况 watch nvidia-smi
CUDA下载：https://developer.nvidia.com/cuda-toolkit-archive
CUDnn下载：https://developer.nvidia.com/rdp/cudnn-archive （我用qq登录）
>D:\software\CUDA\v11.4; D:\software\CUDA\Samples
CUDA+CuDnn安装：https://blog.csdn.net/qq_37386752/article/details/123720250
验证CUDA+CUdnn是否安装成功：
cd到安装目录下的 …\extras\demo_suite,然后分别执行bandwidthTest.exe和deviceQuery.exe
最终结果都返回了Result=PASS，那么就算成功啦！
查看CUDA环境变量配置：cmd>set cuda
Anaconda：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
Visio Studio 2019下载：https://docs.microsoft.com/zh-cn/visualstudio/releases/2019/release-notes 选c++桌面开发
Visio Studio 2019安装：https://blog.csdn.net/qq_41897154/article/details/115034209
Visio Studio 2019激活码：https://www.win10com.com/wzjc/soft/26979.html
conda常用命令
# 查看现有虚拟环境 conda env list #删除环境 conda remove -n env_name --all #复制环境 conda create -n new_env --clone old_env #安装包 conda install pypi_package #卸载包 conda remove pypi_package conda remove --name env_name package_name #列出包 conda list #清除缓存，一般在删除了某些包，或者升级了包之后执行，可以清理掉许多低版本的安装包 conda clean --all #更新 base 环境，包括升级 conda conda update -n base -c defaults conda #将当前环境中所有的包导出为 yml 文件，用于分享 conda env export > environment.yml #根据导出的列表新建环境 conda env create -f environment.yml #安装环境 conda create -n env_name conda create --name env_name #激活环境 conda activate env_name #退出环境 conda deactivate #可选的 nlp 处理包 conda install -c anaconda nltk gensim -y #常用 预训练模型接口 conda install -c huggingface transformers -y
torch安装：
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
import torch
torch.cuda.is_available()
tensorflow安装：
pip install tensorflow-gpu
import tensorflow as tf
tf.test.is_build_with_cuda() #判断CUDA是否可用
tf.test.is_gpu_available(cuda_only=False, min_cuda_compute_capability=None) #判断GPU是否可用
tf.config.list_physical_devices('GPU') #
tf.test.gpu_device_name() #查看gpu名字