准备工作
在这个SOP中，我不会指定任何一个版本，而是指导你如何根据你的需要的版本取去查询对应的依赖版本！这样能让这个SOP持续可用！
在开始安装之前，我们需要了解三个关键版本，这决定了环境是否能兼容运行。
- Tensorflow版本
- CUDA版本
- cuDNN版本
不用担心复杂，官方已经整理好了依赖关系，你需要做的就只有确保你的电脑已经正确安装了GPU驱动，这可以通过命令nvidia-smi来进行查看，在命令结果的右上角，你可以看到你驱动所支持的最大CUDA版本。
步骤
1. 前往TensorFlow官网查看目标版本所需依赖
经过测试的构建配置
在上方这个链接里TensorFlow官方给出了不同TensorFlow版本所兼容的CUDA和cuDNN版本。
假如现在团队要求安装Tensorflow 2.3.0版本。我们就找到这一行：
| 版本 | Python 版本 | 编译器 | 构建工具 | cuDNN | CUDA |
|---|---|---|---|---|---|
| tensorflow-2.3.0 | 3.5-3.8 | GCC 7.3.1 | Bazel 3.1.0 | 7.6 | 10.1 |
取出我们所需的三个关键版本
- Python版本：3.8
- CUDA版本：10.1
- cuDNN：7.6
当然也可以根据你的需要选择版本，主要就是取到这三个关键版本，Python版本一般选支持范围最新的就可以。
2. 创建conda环境并激活
替换team-tf23为你想创建环境名称、替换3.8为Python版本。
conda create -n team-tf23python=3.8-y conda activate team-tf233. 安装环境独立的CUDA/cuDNN
替换10.1和7.6为你需要的CUDA/cuDNN版本。
condainstall-ycudatoolkit=10.1cudnn=7.6*如果慢且长时间安装不成功，请参考附录的解决方案。
4. 安装 TensorFlow
替换2.3.0为你需要的TensorFlow版本
pipinstall"tensorflow==2.3.0"这里建议直接装 tensorflow==2.3.0。原因是 从 TF 2.1 起，tensorflow 与 tensorflow-gpu 本质上是同一个包（后来官方也明确让大家装 tensorflow）。
*如果感觉慢，或者报错433。可以尝试临时使用国内源（这里是清华源）。
pipinstall"tensorflow==2.3.0"-i https://pypi.tuna.tsinghua.edu.cn/simple附录：
如果在第三步中感觉慢，可以尝试临时使用国内源（这里是清华源）。
condainstall-y\cudatoolkit=10.1\cudnn=7.6\-c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge\--override-channels或者长期更换conda源。清华源Conda换源教程
首先查看现有源。
conda config --show-sources一般是只有一个default，通过这个命令添加自定义源（这里是清华源）。
conda config --set custom_channels.auto https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/再次查看现有源，可以看到已经添加了清华源，此时可以再次尝试安装。
conda config --show-sources如果出现错误，可以用这个命令移除。
conda config --remove channels 源名称总结
本文的主要场景是针对团队合作、项目复现、导师要求等情况下需要安装【指定版本】的SOP。当然安装最新版本也可以按照这个流程自行调整。
