1.tensorflow-gpu版和tensorflow-cpu版的区别
tensorflow-gpu版需要同时配置安装CUDA、cuDNN，而tensorflow-cpu版不需要配置，直接pip/conda install tensorflow即可安装tensorflow-cpu版本
2.为什么要创建虚拟环境
在安装gpu版本的库时通常会创建单独的虚拟环境，例如安装tensorflow-gpu，则需要利用conda create -n tensorflow python=3.7，创建一个tensorflow的虚拟环境 ，这样做的主要目的是保证tensorflow-gpu这个库不受其它库的影响，比如同时安装tensorflow-gpu与pytorch-gpu，或者同时安装不同版本的tensorflow-gpu，由于不同库或不同版本的gpu库需要配置的CUDA、cuDNN不同，导致即使都安装在base环境里，由于CUDA、cuDNN不适配，也仅能用一个gpu库，因此用到什么gpu库就单独的创建这个库的虚拟环境，这样你就不需要动之前环境中的CUDA、cuDNN，只需要在新的环境中重新配置这个新库的专属CUDA、cuDNN就OK了，只需要切换虚拟环境，这两个都能用。
3.那怎么同时用两个库呢，例如：tensorflow和opencv库
需要审视这两个库哪个对项目起主要支撑作用，是否需要更高的计算能力，比如需要tensorflow有更高的计算能力，那么就创建一个tensorflow的虚拟环境，安装tensorflow-gpu，后在这个环境中安装cpu版的opencv，即可保证两个库都能使用。
另外一种方法是，对应tensorflow-gpu库的CUDA、cuDNN的版本，找到与之匹配的opencv-gpu版本，这样即可在一个环境中用两个gpu库
4.tensorflow-gpu版安装过程
step1.安装anoconda（不要安装太高版本的）

在安装完毕后，使用Win+R调出cmd，输入conda -V，可以看到Anaconda的版本号，即为Anaconda安装成功！
具体过程可点击参考该视频

step2.对Anaconda和Python进行换源

在cmd中输入conda config --set show_channel_urls yes在C盘用户目录下会生成.condarc文件。
然后使用记事本打开，用下面的内容将其替换。

channels:- defaultsshow_channel_urls: truechannel_alias: https://mirror.tuna.tsinghua.edu.cn/anacondadefault_channels:- https://mirror.tuna.tsinghua.edu.cn/anaconda/pkgs/main- https://mirror.tuna.tsinghua.edu.cn/anaconda/pkgs/free- https://mirror.tuna.tsinghua.edu.cn/anaconda/pkgs/r- https://mirror.tuna.tsinghua.edu.cn/anaconda/pkgs/pro- https://mirror.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2custom_channels:conda-forge: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloudmsys2: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloudbioconda: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloudmenpo: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloudpytorch: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloudsimpleitk: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloud

最后保存，然后在CMD中输入conda clean -i，此时Anaconda已经换源成功！
接着是Python换源，在CMD中输入
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple即可换源成功！
参考该篇博客

step3.明确CUDA、cuDNN、Tensorflow版本的搭配

在安装Tensorflow-gpu之前，需要安装CUDA和cuDNN等。对于Tensorflow的gpu版本最重要的是CUDA、cuDNN、Tensorflow版本的搭配。
下面给出GPU版本的版本搭配：

具体参照该篇博客

step4.创建tensorflow虚拟环境

使用Anaconda来创建环境，这里环境名称命名为tensorflow，在CMD中输入conda create -n tensorflow python=3.7，输入y进行确认

step5.安装tensorflow-gpu（以2.1.0版本为例）

（1）先在CMD中输入activate tensorflow以激活环境
（2）输入conda install cudatoolkit=10.1，安装cudatoolkit（CUDA）（在我们的具体使用中，其实真正需要的并不是整个CUDA，而是cudatoolkit，所以我们在这里直接安装cudatoolkit，不需要再下载3个多G的CUDA来本地安装。）
（3）在激活的环境里输入conda install cudnn=7.6，安装 cuDNN
（4）在激活环境中输入pip install tensorflow-gpu==2.1.0,安装2.1.0版本 tensorflow-gpu

step6.验证

至此，Tensorflow的GPU版本已经安装成功，现在需要测试在激活环境中输入python以进入python环境。然后输入import tensorflow as tf可见如下：

再输入tf.test.is_gpu_available()，若最后为True表示GPU可用，证明已经成功安装Tensorflow的GPU版本

但是该过程可能会出现：TypeError: Descriptors cannot not be created directly. If this call came from a _pb2.py file……这个问题，如果出现采用Step7.

step7.解决TypeError

（1）打开CMD输入activate tensorflow进入激活环境
（2）在激活环境中输入pip uninstall protobuf
（3）继续输入pip install protobuf==3.20.1
即可完美解决问题，重新测试，即可成功！