一、cuda安装，cuda 和 TensorFlow 版本对应，链接https://www.tensorflow.org/install/source#tested_source_configurations
1.查看自己安装的驱动版本, nvidia-smi
2.安装所需要的cuda，下载链接CUDA Toolkit Archive | NVIDIA Developer
找到所需版本，下载对应环境 ，自定义安装， 查看新驱动版本，若不高于当前版本，则不安装 。
安装成功之后，配置环境变量,安装路径要记得。
（安装不成功的话，卸载驱动，再次安装，即可成功。卸载可以使用软件 提取码：1233）
（如果cudatookit安装成功之后，发现显卡找不到，那就官网
安装一个驱动即可）
查看安装的cuda 版本
这边的版本跟nvidia-smi对应的cuda版本不一样，可以看下述第四点解释
二、cuDNN神经网络加速库安装
cuDNN不是应用程序，而是几个文件包，下载后把它复制到CUDA 的目录下即可。
cuDNN下载页：cuDNN下载页（记得版本对应，看上面）
cuDNN其实就是CUDA的一个补丁而已，专为深度学习运算进行优化的
将include，lib，bin 下面这些文件拷贝到 v11.3目录下的对应目录。
或者说 直接将这三个目录 复制到 v11.3目录下（不覆盖文件复制）
三、安装TensorFlow2.5-gpu版本
1.安装指定版本的TensorFlow2.5.这边是直接下载wheel文件，然后创建一个虚拟环境（conda创建）教程 conda 安装 Pytorch（GPU）_czhunian的博客-CSDN博客_conda安装pytorch gpu
2.下载wheel链接https://github.com/fo40225/tensorflow-windows-wheel
选择对应版本，下载该版本下得全部文件即可。
3.在虚拟环境中，conda activate tf2 ，进入虚拟环境，之后切换到wheel文件路径，pip install命令安装
4. 测试，输出True代表安装成功
import tensorflow as tf
tf.test.is_gpu_available()四.cuda 和 NVIDIA驱动 版本关系，链接
主要是看表三，cuda版本 和 驱动对应的关系。
查看 CUDA driver version（驱动版本）：NVIDIA GPU的驱动程序版本（nvidia-smi）
查看 CUDA runtime version（运行时版本）：自己安装的cudatoolkit包（nvcc -V）
- 用于支持driver API的必要文件(如
libcuda.so)是由GPU driver installer安装的。nvidia-smi就属于这一类API。 - 用于支持runtime API的必要文件(如
libcudart.so以及nvcc)是由CUDA Toolkit installer安装的。（CUDA Toolkit Installer有时可能会集成了GPU driver Installer）。nvcc是与CUDA Toolkit一起安装的CUDA compiler-driver tool，它只知道它自身构建时的CUDA runtime版本。它不知道安装了什么版本的GPU driver，甚至不知道是否安装了GPU driver。
综上，如果driver API和runtime API的CUDA版本不一致可能是因为你使用的是单独的GPU driver installer，而不是CUDA Toolkit installer里的GPU driver installer。
综上就是，驱动版本和运行时版本是不冲突（这边应该是运行时不能大于驱动版本即可），CUDA Toolkit（runtime）本质上只是一个工具包而已，甚至可以安装多个cudatoolkit版本，通过修改环境变量进行选择使用哪个版本的cuda。
五、总结
显卡驱动版本>=对应的cudatoolkit版本<=对应的tensorflow版本;因此cuda就是一个桥梁。
1、确定要安装的tensorflow版本。
2、根据tensorflow版本，确定cudatoolkit的版本 ，并确定cudann的版本。
3、根据cuda版本，确定显卡驱动的版本，不够就升级，够了就不管。
