0.前言
今年暑假买了个1660ti的游戏本学python，后来发现跑一些数据量比较大的代码和深度学习的时候太慢了，遂想装一下GPU版本，看了网上的资料搞了好几天，又是CUDA又是cudnn的，网速慢不说，装完还各种报错，最后发现随着anaconda和tensorflow的更新，
现在利用anadonda只要一行命令就能完成。（装好虚拟环境后，
直接看4.2
）
1. 安装anaconda
这部分没啥难度，只要注意两点：
1.去官网下载
https://www.anaconda.com/distribution/
，而不要去清华的镜像站（已经很久没有更新了），官网下比清华慢一点，但相信我这是值得的。
2.安装的时候建议直接把两个勾都选上（网上的其他教程都建议不勾选然后手动添加PATH，但我发现直接勾上没问题，之后加PATH反而有各种问题出现）
#.如果之前电脑里已经有安装python，建议先卸载再装anaconda，这样能避免很多问题
做完这一步你就拥有了一个预装了很多包的base环境，包括pandas和numpy，足够初学者做很多事情了。
2. 换清华源
虽然上面说anaconda的安装包不要去清华上下，但是用镜像站来下载和更新python包还是可以的（能快上不少）。打开CMD，复制打入就行
conda config –add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config –add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config –add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config –set show_channel_urls yes
3.创建一个另外的虚拟环境
起先看网上教程的时候一直不明白这一步有什么用，处理了很多报错以后发现这是为了避免依赖包版本冲突。例如你在官网上下载的anaconda，自带的base环境是python3.8，而tensorflow是建议装python3.6，它要求的各种依赖包也是python3.6时代的，直接在base环境下安装，需要将本来是最新的软件包降级，可能会影响其他包，最新的功能就用不到了。
所以创建虚拟环境可以完全避免依赖包冲突，需要使用tensorflow的时候切换过来就行。
3.1 打开CMD（如果你把anaconda装在了C盘，建议使用管理员运行，可以事先避免权限报错），键入:
conda create -n env_gpu python=3.6
（env_gpu是你给虚拟环境起的名字，依个人喜好就行，网上大多叫tensorflow或者env_tf2，我这边叫env_gpu是因为我用这个环境来跑需要gpu加速的任务：tensorflow-gpu和cupy）
按y回车，anaconda就会安装一些必须的包（换源之后是很快的）
4. 在虚拟环境下安装tensorflow-GPU(用于机器学习）和cupy（numpy的GPU加速版本）
4.1 首先激活虚拟环境：
conda activate env_gpu
（整个第4步的cmd都别关掉，用同一个，假如手滑关了，就要再激活一次虚拟环境）
可以看到前面有个括号表明所在的环境
4.2.安装tensorflow-gpu和cupy
conda install tensorflow-gpu=2.0.0
conda install cupy
（一行一行来）
可以看到anaconda会自动安装匹配版本的cuda和cudnn，不用去英伟达官网下载了，也避免了操心版本问题。
4.3 安装spyder, jupyter notebook
因为我们在第三步创建了一个独立的虚拟环境，和原来base环境里的spyder和jupyter notebook是不通用的，所以在这个环境下手动安装一个就行:
conda install spyder
conda install jupyter
安装完以后可以在开始菜单搜索spyder，（anaconda）结尾的是base环境下的spyder, （env_gpu）结尾的是这个环境下的spyder。
5.测试一下吧
5.1 打开spyder(env_gpu)
5.2 键入一些测试的code
5.3 cupy也导入测试下
都没有报错，大功告成！