参考：https://blog.csdn.net/qq_37774098/article/details/109895048
https://bbs.cvmart.net/topics/3514

操作实例

显卡驱动安装适合本机显卡的最新版本。

cuda安装

1 确定cuda版本

安装好显卡驱动后，使用nvidia-smi命令可以查看这个显卡驱动可以安装的最高的cuda版本是多少，如下：
Driver Version: 461.40 表明当前驱动版本是461.40
CUDA Version: 11.2 表明当前驱动可以安装的cuda最高版本是11.2

上面虽然显示的当前驱动版本461.40可以安装的cuda最高版本是11.2，但是我们还不能直接就认定我们就安装cuda 11.2，还需要查看pytorch的版本要求，比如我想安装pytorchv1.8.0，如下：

pytorchv1.8.0 要求的cuda版本是11.1，那我就可以确定安装cuda11.1

2 在conda环境中安装cuda

conda search cudatoolkit
# 查看可以用来安装的cudatoolkit的所有版本都有哪些

conda search cudatoolkit --info
# 查看所有列出来的cudatoolkit的详细信息，包括版本号version，文件网址url，依赖项dependencies
# 文件网址url：
# 直接conda install cudatoolkit，通常下载安装包的速度很慢，因而可以用上面给出的文件网址url来用下载工具去下载这个包，再去本地安装
# 依赖项dependencies：
# 想要使用cudatoolkit，还需要安装什么才可以使用。

# 然后安装本地包
conda install --use-local H:\装机软件\deeplearningsoftware\cudatoolkit-11.1.1-heb2d755_7.tar.bz2

cudnn安装

确定cudnn版本

在cudnn仓库中找到适用于某个cudatoolkit版本的cudnn版本

# cudnn仓库
https://developer.nvidia.com/rdp/cudnn-archive
# 如下

适用于CUDA 11.1 的 cudnn 有多个版本。
查看conda仓库中有哪些cudnn版本：

# 查看都有哪些版本
conda search cudnn
# 下图中cudnn 8.1.0.77 出现了两个版本，因而可以先运行一下conda install cudnn=8.1.0.77，看一下默认安装的是哪个版本，然后再决定去下载哪个版本的cudnn 8.1.0.77

# 查看详细信息，并根据提供的网址去下载到本地
conda search cudnn --info
# 之后本地安装即可

确定tensorflow对应的cuda和cudnn版本

在tensorflow官网——安装——cuda支持可以查看

在此处有关于cuda和cudnn的版本支持说明，请注意这句话这些安装说明适用于最新版 TensorFlow。如需了解可用于旧版 TensorFlow 的 CUDA 和 cuDNN 版本，请参阅经过测试的构建配置。

经过测试的构建配置链接中包含如下说明表：下面仅展示了linux下的，当然也有windows下的，这里就不展示了

回到上面那句话这句话这些安装说明适用于最新版 TensorFlow。如需了解可用于旧版 TensorFlow 的 CUDA 和 cuDNN 版本，请参阅经过测试的构建配置。我们来查看这些安装说明适用于最新版 TensorFlow。下面说明了，TensorFlow 支持 CUDA 11.2（TensorFlow 2.5.0 及更高版本）， CUDA 11.2 要求 450.80.02 或更高版本，cuDNN SDK 8.1.0 cuDNN 版本。

注意1

在conda环境中，可以直接用conda装cuda和cudnn，缺点是conda源中没有全部版本的cuda和cudnn，而且更新较慢。

# 查看conda源中可以安装的cuda和cudnn版本
conda search cuda
conda search cudnn

# 安装
conda install cuda  # 可指定版本
conda install cudnn   # 可指定版本

注意2

和安装tensorflow不同的是，pytorch官网介绍的安装命令附带了下载和安装cuda，但是没有附带cudnn，所以还需要额外安装cudnn。
如下：

按照上面的命令安装好（不用conda安装cudnn）之后，使用网上的“检测pytorch的gpu是否可用的命令“检测时显示gpu可用，但是没有cudnn，所以还是不能用。

# 检测pytorch的gpu是否可用的命令
https://blog.csdn.net/weixin_42788078/article/details/103116903
https://www.jianshu.com/p/bdb91eeb8f16

所以要用conda命令安装cudnn

https://blog.csdn.net/qq_37774098/article/details/109895048

安装torch和torchvision时候，使用pip命令，不要用conda命令，很容易断掉

pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio===0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

注意3 conda虚拟环境安装CUDA路径

# liux中
https://blog.csdn.net/Mr__George/article/details/102972958

# windows中

注意4 conda install临时用国内源

conda install cudatoolkit=9.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/
conda install cudnn=7.1.4 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/linux-64/

Windows下使用：
conda install cudatoolkit=9.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64/

注意5 conda install加上官方默认源

# 有时候安装不成功，不用换成国内源，还是用官方源，只是需要强调一下
# 推荐安装语法形式
conda install -c conda-forge  cudatoolkit=9.0
# 想加快安装，推荐使用conda install -c conda-forge，不推荐使用国内源
# 关于-c conda-forge的理解，参考https://blog.csdn.net/qq_43391414/article/details/115069247