【资源记录】各个历史版本 cuda toolkit 下载链接

2020年英伟达官网提供的cuda版本已经是10.2了，但是老版本的10.0仍然是一些框架的基础，记录一下资源的位置。

聊聊

虽然目前TensorFlow官网仍然推荐使用pip安装TensorFlow，但是经过测试发现conda安装可能更好。
理由如下：

• 一步到位：conda 安装将自动安装 GPU 支持所需的 CUDA 和 CuDNN 库；pip 安装则需要手动安装这些库。人人喜欢一步到位，尤其是在下载与安装库这方面。
• 完美兼容：使用 conda 安装 GPU 加速版本的 TensorFlow 时，只需使用命令 conda install tensorflow-gpu，这些库就会自动安装成功，且版本与 tensorflow-gpu 包兼容。

请注意：不管使用 pip 还是 conda 安装 GPU 支持的 TensorFlow，NVIDIA 驱动程序都必须单独安装。

对于 TensorFlow 的多个版本，conda 包可使用多种 CUDA 版本。例如，对于 TensorFlow 1.10.0 版本，conda 包支持可用的 CUDA 8.0、9.0 和 9.2 库。而 pip 包仅支持 CUDA 9.0 库。在不支持 CUDA 库最新版本的系统上运行时，这非常重要。最后，由于这些库是通过 conda 自动安装的，用户可轻松创建多个环境，并对比不同 CUDA 版本的性能。（这么看起来，下面的文章已经没用了QAQ）

顺序如下：

• 安装NVIDIA显卡驱动
• 安装Miniconda或Anaconda
• 创建虚拟环境
• 用conda安装TensorFlow conda install tensorflow=1.14 或 conda install tensorflow-gpu=1.14

Anaconda 或 Miniconda??

如果还没有安装 Anaconda 或 Miniconda，需要先安装它们。

• Miniconda 仅安装 conda 和一些依赖项
• Anaconda 则会预安装大量包。

我更喜欢 Miniconda。使用 conda 安装时，如果选择 Anaconda，则伴随 TensorFlow 同时安装的还有 Anaconda 库中的 1400 多个常用软件包，它们会提供一个完整的数据科学环境。这些包安装到单独的 conda base 环境中，其内容不会影响到其他环境。

inference

【1】 原文链接
【2】 翻译链接
---------------------------------------------------------------------------------
下面是原文

1.TensorFlow-gpu 所对应的cuda和cuDNN版本

TensorFlow 和 pytorch这些框架，不同的版本和cuda之间存在对应关系，首先需要确认所支持的版本

查看支持信息

linux/macOS
https://tensorflow.google.cn/install/source#linux
windows
https://tensorflow.google.cn/install/source_windows

2.pytorch各版本与cuda的对应信息

对于不同版本，页面中有详细的对应说明。
https://pytorch.org/get-started/previous-versions/

3.历史版本cuda下载地址

https://developer.nvidia.com/cuda-toolkit-archive

页面内容

4.Pytorch 使用不同版本的 cuda

Pytorch 使用不同版本的 cuda