使用Anaconda配置Tensorflow/Pytorch环境

安装Pytorch/Tensorflow不可避免的需要考虑显卡驱动，CUDA，cuDNN与AI框架之间的配合问题，如何选择合适的版本经常让人摸不着头脑。本文首先简单介绍显卡驱动，CUDA，cuDNN是什么以及它们与AI框架之间的关系，然后在后面的章节中介绍如何使用Anacond简易地配置Pytorch和Tensorflow环境（只需安装显卡驱动，而无需安装CUDA和cuDNN），并在文章最后介绍了如何配置Jupyter Notebook。

1. Driver/CUDA/cuDNN/Tensorflow/Pytorch之间的关系

• GPU Driver： 显卡驱动就是用于驱动显卡的程序，它和操作系统是最接近显卡硬件的一层软件，显卡驱动使得操作系统能够更好的控制显卡，驱动其完成相关任务
• CUDA： CUDA的全称为Compute Unified Device Architecture，是NIVIDA推出的通用并行计算架构。通过CUDA，可以更好的利用GPU进行并行计算。
• cuDNN： cuDNN全称是NVIDIA CUDA深度神经网络库，它提供了高度优化的卷积，池化和激活等神经网络单元，深度学习框架可以用其加速相关运算。
  

显卡驱动，CUDA，cuDNN和AI框架之间的关系如上图所示，AI框架利用cuDNN和CUDA实现高性能计算，驱动则为更上层的应用提供了操作显卡的接口。

安装Pytorch和Tensorflow前，一般都会要求先安装合适版本的显卡驱动，CUDA和cuDNN，这三者之间有着版本对应关系。一般安装完显卡驱动后，使用nvidia-smi.exe程序即可确定对应的CUDA版本。如下图所示，笔者使用的显卡为GTX 1070，显卡驱动为496.13，对应的CUDA版本为11.5，确认完CUDA版本后，即可在cuDNN的下载页面选择对应的cuDNN版本下载。

显卡驱动，CUDA和cuDNN之间的对应关系通过上述步骤就非常容易确认，但是AI框架一直在不断更新，不同版本的AI框架需要配合不同版本的显卡驱动，CUDA和cuDNN，这之间的对应关系经常使得AI框架的安装不能顺利完成。

下面本文的重点来了！

本文将介绍使用Anaconda安装Pytorch和Tensorflow，仅需安装显卡驱动和Anaconda，其余的