****一、tensorflow-gpu==2.0.0的安装
我的版本我cudnn7.6.5 cudn10.0 python 3.6.5(感觉官网的有些匹配不一定对，因为这里cudnn需要为7.6.5)
安装tensorflow的版本号链接
https://tensorflow.google.cn/install/source_windows

Your GPU Compute Capability
您的 GPU 计算能力
https://developer.nvidia.com/cuda-gpus

CUDA下载：https://developer.nvidia.com/cuda-downloads

1、# 查看GPU此时的使用情况
nvidia-smi
注意：下面的CUDA=11.0表示能够支持的最高版本，不是说已经下载好了
（https://www.bilibili.com/video/BV1Vb4y1r78v?from=search&seid=3256408179249773663&spm_id_from=333.337.0.0）

2、第一种是通过tf.device()函数来指定训练时所要使用的GPU:
tf.device(’/gpu:2’)
3. 通过CUDA_VISIBLE_DEVICES来指定.同样使用第2块GPU来训练模型，我们可以在我们的python代码中加入：
import os
os.environ[‘CUDA_VISIBLE_DEVICES’]=‘2’
4、测试是否成功（注意看tensoflow装在哪个环境，base里面话就在base里面执行下面的命令）
import tensorflow as tf
tf.test.is_gpu_available()

或者：
import tensorflow as tf
import os

os.environ[‘TF_CPP_MIN_LOG_LEVEL’] = ‘2’ # 不显示等级2以下的提示信息

print(‘GPU’, tf.test.is_gpu_available())

a = tf.constant(2.0)
b = tf.constant(4.0)
print(a + b)

注意：如果是第一问题，说明的是你的路径没有写道环境变量里面去
https://www.bilibili.com/video/BV1CE411f7wS?from=search&seid=11993867533199687860&spm_id_from=333.337.0.0（v1和v2区别以及解决方法）

驱动的安装
https://www.nvidia.com/download/index.aspx?lang=en-us
CUDA包的安装路径
https://developer.nvidia.com/cuda-toolkit-archive建议下大的，因为包全一点
默认的CUDA的安装路径（电脑上）
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0
cmd中输入nvcc -V测试

Cudnn包的安装路径（cudnn神经网络加速包）要注册账号,自己的（[email protected]）
https://developer.nvidia.com/cudnn
把cudnn里面的文件复制到cudn里面去（覆盖）

环境变量添加：系统变量
电脑-属性-高级：

pip install tensorflow-gpu==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple（如果有错误，后面这个源也可以去掉）

Cudnn更详细的步骤：
https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#install-windows

Conda 的一些常见命令的使用：
Conda list :显示此时环境下安装的包

conda deactivate tensorflow-gpu 退出当前的环境。

创建一个新的环境ChipSeq
conda create -n ChipSeq

conda create --prefix="D:\\my_python\\envs\\my_py_env"  python=3.6.3

其中"D:\my_python\envs"是路径名，“my_py_env” 是环境名.
删除创建的环境ChipSeq
conda remove -n ChipSeq --all

需要的cudnn 和 cudn在我传的资源中