tensorflow1.0和tensorflow2.0的区别主要是1.0用的静态图
一般情况1.0已经足够，但是如果要进行深度神经网络的训练，当然还是tensorflow2.*-gpu比较快啦。
其中tensorflow有CPU和GPU两个版本(2.0安装方法)，
CPU安装比较简单：
pip install tensorflow-cpu
一、查看显卡
日常CPU足够，想用GPU版本，要有NVIDIA的显卡，查看显卡方式如下：
二、查看版本对应关系
然后我们需要去下载NVIDIA驱动CUDA以及支持神经网络训练的CUDNN模块：（重点，其中需要查看自己NVIDIA版本 Python版本 CUDNN版本是否匹配）
下载CUDA：https://developer.nvidia.com/cuda-11.3.0-download-archive
三、安装cudnn
CUDA安装完毕后，需要安装支持神经网络训练的CUDNN模块，下载 cuDNN，下载之前需要先注册一下 Nvidia 的账号，下载地址为：https://developer.nvidia.com/rdp/cudnn-download
下载完成之后将其解压，解压之后的目录如下：
需要将以上三个文件复制到CUDA的安装目录中，通过上面的安装，我们将CUDA安装到了C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3中。
四、安装anaconda
安装Anaconda:
然后最好是使用anaconda安装tensorflow，先去安装anaconda,详细教程传送门：https://blog.csdn.net/fan18317517352/article/details/123035625
其实如果不想麻烦的配置环境变量，可以在安装Anaconda过程中选择JUST ME， 然后将Anaconda加入环境变量。
然后直接就可以在anaconda里选择tensorflow-gpu进行安装，安装完毕后，查看能否支持gpu:
import os
import tensorflow as tf
print(tf.test.is_gpu_available())
gpus = tf.config.list_physical_devices('GPU')
cpus = tf.config.list_physical_devices('CPU')
print(gpus, cpus)
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())
如果输出如下，则说明可以使用GPU
（注意，真的只是可以使用，不代表可以用了，自己体会，我曾经被坑了好久）：
五、测试（重点干货来了）
import os
# 指定使用0卡
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
如果提示缺少dll文件，去这个网址找：https://cn.dll-files.com/cudart64_110.dll.html 缺啥找啥，看链接后缀
然后训练模型，发现只能训练前馈神经网络，速度还很慢，训练深度网络时，直接内存不足，但原因可能是由于缺少文件：（这个问题我查了很多资料，大部分无关痛痒，没有对症下药）
有说卸了GPU版本装CPU版的，完事后还说CPU比GPU快，我也是很无语（我只想说那你何必废劲用GPU呢，直接用CPU不就好了，
至于CPU比GPU快的问题，这个问题要看你的网络结构大小了，网络结构比较小的时候（比如简单前馈神经网络），cpu与gpu数据传输过程耗时更高，这个时候只用cpu会更快。
网络结构比较庞大的时候，（比如深层卷积神经网络，层数大于10层就很明显了，CPU根本跑不动），gpu的提速就比较明显了。
）
Process finished with exit code -1073740791 (0xC0000409)
解决办法：Pycharm中，点击RUN-EDIT CONFIGURATIONS，输出错误信息
发现缺少文件：
下载zlib并且解压
dll放到cuda安装目录的bin里，lib放到cuda安装目录的lib文件夹下，然后开始训练，你会发现用GPU真香
测试模型：
batch_size=128 epoch=1 num_classes=10
CPU耗时：
GPU耗时：
切换CPU GPU 只要切换设备就行了，我只进行了1epoch的卷积训练，可以看到GPU速度要比CPU快个10 倍左右，如果是前馈神经网络或者简单的神经网络，测试验证使用CPU是比GPU要快的，所以自己需要根据实际情况切换设备。
需要zlib文件的可以给我留言。