一个老程序猿要走Pytorch的新路，先搭建一个运行调试环境，踩坑若干若干，那滋味就是一个字=太爽！分享给同路的小伙伴，一些学习成长吧！ 涉及的内容包括： 1.更新显卡驱动GTX1070 CUDA Version：11.6； 2.从官网下载对应版本的 CUDA Toolkit Archive | NVIDIA Developer 3.安装NVIDIA cuDNN 4.安装Anaconda3 5.创建Pytorch_GPU运行的虚拟环境 6.使用清华镜像快速安装PytorchGPU版本 7.IDE安装Pycharm，链接Anaconda环境解释器 8.验证

深度学习NVIDIA cudnn8.4.0适用于64位win10的CUDA11.6版本

深度学习NVIDIA cudnn8.3.3.40适用于64位win10的CUDA11.5版本

pypi不提供python3.8的tensorflow-gpu，这个是从NGC的docker中编译的。

- 深度学习模型加速推理 - 基于CUDA11

若需完整使用请继续下载“cudNN8.2.1 Linux版本【第二部分】，适用cuda11.x” 解压后请cd到cuda的目录下，执行以下操作完成cudnn的配置： mkdir cuda cd cuda mkdir lib64 将下载的压缩包复制到lib64中，解压。 以下操作请在下载完第二部分之后执行。 全部完成之后的文件夹结构应为 /PATH/TO/cuda/ --include/ --lib64/ --libcudnn1.tar.gz --libcudnn2.tar.gz === sudo cp cuda/include/cudnn.h /usr/local/cuda-10.1/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda-10.1/lib64 sudo chmod a+r /usr/local/cuda-10.1/include/cudnn.h sudo chmod a+r /usr/local/cuda-10.1/lib64/libcudnn*

请在下载之前下载“cudNN8.2.1 Linux版本【第一部分】，适用cuda11.x”，并完成该资源描述中的相关指令操作 解压之后为include文件和lib64文件中的第二部分，解压成功后执行 mv include/ ../ 全部解压完成后的文件架构应为 /PATH/TO/cuda/ --include/ --lib64/ 以下操作请执行完第一、二部分所有操作之后执行 ====== === sudo cp cuda/include/cudnn.h /usr/local/cuda-10.1/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda-10.1/lib64 sudo chmod a+r /usr/local/cuda-10.1/include/cudnn.h sudo chmod a+r /usr/local/cuda-10.1/lib64/libcudnn*

tensorflow2.0 Gpu版本，在cuda11.0 cudnn8.0-vs2019 下编译，需要依赖cuda11.0和cudnn8.0.

cuda11.2.0资源下载地址

cudnn-windows-x86_64-8.3.1.22_cuda11.5 cudnn v8.3.1.22 cuda 11.5 windows 10 64位 自用备份