查看自己显卡支持的最高CUDA配置

打开NVIDIA控制面板，找不到的话在搜索NVIDIA Control Panel。
点击系统信息——组件，此处显示CUDA 11.5.125，这里的CUDA版本号指的是你的显卡支持的最高CUDA版本，需要下载不高于此版本的CUDA。

确定tensorflow，keras，CUDA，cuDNN对应版本

tensorflow,CUDA，cudnn对应版本号查看
这里我选择的是TensorFlow=2.3.0，keras=2.4.3，CUDA=10.1，cuDNN=7.6.5

下载CUDA和cudnn

CUDA所有版本下载链接

这里我选择的是CUDA Toolkit 10.1 update2 (Aug 2019), Versioned Online Documentation

cuDNN所有版本下载链接

这里我选择的是Download cuDNN v7.6.5 (November 5th, 2019), for CUDA 10.1
Tips:下载cuDNN需要登录英伟达账号。

安装CUDA和cuDNN

安装CUDA

将安装包下载到自己指定的位置，双击运行cuda_10.1.243_426.00_win10.exe开始安装CUDA。这里采用NVIDA推荐的模式安装（不采用自定义），直接一路无脑点击即可。

安装cuDNN

解压下载好的cuDNN，打开后有如下目录

将bin，include，lib三个文件夹中的文件复制到CUDA对应的文件夹中

如果你采用了推荐的无脑安装模式，那CUDA路径就如上所示在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1中。如果自定义安装的就要去自定义的文件夹中找。

验证CUDA和cuDNN是否下载成功

此时我们已经下载完了CUDA和cudnn，接下来验证是否下载成功。
打开cdm命令行：输入nvcc –version。可以看到我们已经成功下载了CUDA10.1版本。

打开C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include，找到cudnn.h

红框内显示的即为版本号，7.6.5。

配置环境变量

打开系统变量——选择Path编辑——新建——浏览
单击编辑-新建-浏览，将以下两个目录添加到环境变量中。

下载tensorflow

这里推荐使用Anaconda，新建一个虚拟环境来安装tensorflow，安装时强烈建议使用pip不使用conda。因为conda下载容易有文件缺失。
如果没有添加pip清华源的话先添加一下清华源

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

使用清华源的时候记得关掉VPN，不然会有URL ERROR
激活我们的虚拟环境(env-name为自定义的虚拟环境名)：

conda activate env-name

使用pip命令下载tensorflow指定版本和keras指定版本：

pip install tensorflow==2.3.0
pip install keras==2.4.3

注意，不需要pip install tensorflow-gpu，因为pip下载的tensorflow默认可以使用GPU。

验证tensorflow是否能检测到GPU

运行以下代码

import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))

输出[] 失败。
以下输出成功：

这个时候就可以用GPU进行运算了！
运行代码查看时间：

之前CPU运算时每个例子要跑4ms，GPU只要300us。
还可以从任务管理器查看GPU是否工作：

如果是CPU工作的话，运行机器学习代码的时候，CPU使用率会飙到100%。

问题总结

安装不成功有两个主要原因：
1，tensorflow，CUDA，cuDNN版本不匹配。
2，使用conda安装了tensorflow和keras。
我遇到的主要是第二点问题。如果帮到你了点个赞再走吧QAQ。