安装tensorflow GPU版本--tensorflow-gpu版本与CUDA版本对应关系（持续更新，目前到TF2.10.1）

一、WIndows安装GPU版本tensorflow注意一下几个问题一般就不会出错

（1）确定自己要安装哪个版本的tensorflow-gpu；

（1）根据自己要装的tensorflow-gpu版本确定要下载的CUDA版本；

（2）根据要安装的CUDA版本确定要下载的Cudnn版本。

二、tensorflow-gpu版本与CUDA版本对应关系

不同版本的tensorflow-gpu与CUDA对应关系如下表所示（图片有点旧了，python版本是2.7和3.3-3.8）：

对于版本号大于1.13的tensorflow-gpu的1.x版本，如1.14、1.15，建议安装CUDA10.0，不要安装CUDA10.1，安装后会提示缺少很多库文件，而导致GPU版本的tensorflow无法使用，如下图所示：

如果是2.0以上的tensorflow，按下面列表安装（2023年1月更新, 现在TF2.X和CUDA版本的兼容性越来越好了，不同的TF2.X版本可以匹配多个CUDA版本,下表所示是本人验证过的，不是唯一匹配方案)

TF	CUDA	cudnn
2.0	10.0	7.6
2.1	10.1	7.6
2.2	10.1	7.6
2.3	10.1	7.6
2.4	11.0	8.0
2.5	11.2	8.1
2.6	11.3	8.2
2.7	11.3	8.2
2.8	11.6	8.6
2.9	11.6	8.6
2.10	11.6	8.6

（TF2.11好像目前还没有GPU版本放出来—2023-1-1）

三、CUdnn与CUDA的对应关系

NVIDIA官网链接：https://developer.nvidia.com/rdp/cudnn-archive#a-collapse742-10
目前为止（2019年11月2日），最新的cuDNN版本号是7.6.3，7.5和7.6的cuDNN都支持CUDA10.1，7.4只能支持到CUDA10.0，一般如果安装的CUDA10.0的话，cuDNN7.4是可以的。

四、检验tensorflow-gpu安装成功

输入以下命令：

import  tensorflow as tf 
a = tf.constant([1.0,2.0,3.0],shape = [3], name='a')
b = tf.constant([1.0,2.0,3.0], shape = [3], name='b')
c = a +b
sess = tf.Session(config = tf.ConfigProto(log_device_placement =True))
print(sess.run(c))

若显示一下信息，说明安装成功。

如果按照以上方法安装后出现了以下错误：

ImportError: libcublas.so.10.0: cannot open shared object file: No such file or directory

那么在终端输入以下命令：

sudo ldconfig /usr/local/cuda-10.0/lib64

一般就能解决问题！

也可用一下方式临时检验：
对于2.0以前版本：

tf.test.is_gpu_available()

2.1以后版本：

tf.config.list_physical_devices('GPU')