版本对应表：https://tensorflow.google.cn/install/source_windows?hl=en#gpu

一、CUDA下载及安装（本文CUDA版本为11.2.1）

下载地址：https://developer.nvidia.com/cuda-toolkit-archive/

安装过程注意事项（必须看）：https://blog.csdn.net/m0_45447650/article/details/123704930

二、CuDNN下载及安装（本文CuDNN版本为8.1.1）

下载地址：https://developer.nvidia.com/rdp/cudnn-archive

下载好了解压后，将cudnn里面的bin、include、lib文件夹所有内容复制到对应的cuda文件夹下。（注意是将相同名称文件夹中的文件复制过去，压缩包也视为文件，而不是将整个文件夹复制过去，上述安装注意事项链接中也有CuDNN安装注意事项）

三、Tensorflow-gpu下载

打开Anaconda Prompt

创建虚拟环境
conda create --name py39 python=3.9  //创建虚拟环境，这里使用3.9
activate py39  //激活环境
pip install tensorflow-gpu==2.9.0 -i https://pypi.mirrors.ustc.edu.cn/simple  //从中科大镜像源下载tensorflow-gpu2.9.0

在Anaconda Prompt中继续输入python，出现如下界面后继续：

继续输入：

import tensorflow as tf
print("TensorFlow版本:", tf.__version__)
print("可用GPU设备:", tf.config.list_physical_devices('GPU'))

输出结果为：

四、测试是否安装成功（使用Spyder）

1.测试是否安装成功

import tensorflow as tf


print(tf.__version__)
print(tf.test.gpu_device_name())
print(tf.config.experimental.set_visible_devices)
print('GPU:', tf.config.list_physical_devices('GPU'))
print('CPU:', tf.config.list_physical_devices(device_type='CPU'))
print(tf.config.list_physical_devices('GPU'))
print(tf.test.is_gpu_available())
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

2、测试Tensorflow-gpu计算速度

import tensorflow as tf
import timeit
 
#指定在cpu上运行
def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000, 10000])
        cpu_b = tf.random.normal([10000, 2000])
        c = tf.matmul(cpu_a, cpu_b)
    return c
 
#指定在gpu上运行 
def gpu_run():
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10000, 10000])
        gpu_b = tf.random.normal([10000, 2000])
        c = tf.matmul(gpu_a, gpu_b)
    return c

cpu_time = timeit.timeit(cpu_run, number=100)
gpu_time = timeit.timeit(gpu_run, number=100)
print("cpu:", cpu_time, "  gpu:", gpu_time)

完毕。