有关tensorflow-gpu 1.13.1 + cuda 10.0.130 + cudnn 7.6.5 的配置思路
吐槽（可跳）
又一次被tensorflow-gpu环境折磨了两天后，我发现我这次必须得说点什么；
曾几何时，我也是个刷着各种高赞教程，一步步安装下来但被莫名其妙的问题毒打的骚年；
每次我就都觉得比上次更加熟练，辛辛苦苦配了几小时后，依然被各种毒打；
import tensorflow as tf
tf.test.is_gpu_available()
>>>False
年轻的我不能明白，为什么python安装库要有conda、pip等方法；
不明白为啥一个库有那么多版本，版本太高太低都有问题；
不明白为啥有那么多镜像源，每个好像差不多但又有些区别；
不明白为啥上一次配好的方法，这一次就失灵了（当然可能是我忘了）；
相信同样的问题大家也在苦恼，然而上网一查都在说版本不匹配的问题；
tensorflow-gpu、cuda、cudnn的包都不小，折腾来折腾去既浪费时间也消耗情绪；
明明安装的版本已经跟教程一致，但还是一直报错；
删了这个安那个，反复且枯燥的配置过程劝退了不少萌新；
但是！有的时候还是要相信自己。
今天的问题让我发现，gpu连不上不一定是tensorflow-gpu、cuda与cudnn之间的版本不匹配问题；
就算版本匹配了，还是有可能连不上gpu；
今天的教训是：相同版本号的库，在不同的源也是会有区别的！
方法分享
高赞博客里的教程我就不重复了，基础的步骤没太大区别，我来分享一个今天刚验证过的方法；
在此提醒，本方法需要有个事先配好的tensorflow-gpu环境作为比照（在不在本机无所谓，你能操作就行）。
首先简单介绍下我的tensorflow-gpu的环境配置结果，以下配置都在conda建立的虚拟环境中完成：
| 环境配置 | 版本 | 下载方式 | 来源 |
|---|---|---|---|
| python | 3.6.12 | conda | conda-forge |
| tensorflow-gpu | 1.13.1 | pip | https://pypi.tuna.tsinghua.edu.cn/simple |
| cudatoolkit | 10.0.130 | conda | https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main |
| cdunn | 7.6.5 | conda | https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main |
以下是本文分享的方法：
使用 conda list 查看已安装的python库及其来源
(your env) *:\**\****>conda list
# packages in environment at *:\**\***:
#
# Name Version Build Channel
absl-py 0.11.0 pypi_0 pypi
appdirs 1.4.4 pyh9f0ad1d_0 https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
audioread 2.1.9 py36ha15d459_0 https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
brotlipy 0.7.0 py36hc753bc4_1001 https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
ca-certificates 2020.12.5 h5b45459_0 https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
cached-property 1.5.2 pypi_0 pypi
******
使用同样的方式对比之前配好的tensorflow-gpu环境，仔细对比 Channel ，将新的环境需要配的库一次使用对应的 Channel 下载（控诉同版本不同镜像源竟然会出现内容不同的事情，当然也可能是我太菜了没有悟道 ）
上述对比完成后，再次测试能否使用gpu：
>>> import tensorflow as tf
>>>> tf.test.is_gpu_available()
2021-01-12 21:03:38.047493: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2021-01-12 21:03:38.216586: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1433] Found device 0 with properties:
name: GeForce GTX 1060 with Max-Q Design major: 6 minor: 1 memoryClockRate(GHz): 1.3415
pciBusID: 0000:01:00.0
totalMemory: 6.00GiB freeMemory: 4.97GiB
2021-01-12 21:03:38.228614: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1512] Adding visible gpu devices: 0
2021-01-12 21:03:38.848614: I tensorflow/core/common_runtime/gpu/gpu_device.cc:984] Device interconnect StreamExecutor with strength 1 edge matrix:
2021-01-12 21:03:38.855040: I tensorflow/core/common_runtime/gpu/gpu_device.cc:990] 0
2021-01-12 21:03:38.859936: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1003] 0: N
2021-01-12 21:03:38.864840: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/device:GPU:0 with 4716 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1060 with Max-Q Design, pci bus id: 0000:01:00.0, compute capability: 6.1)
True
>>> exit()
没有比看到True更快乐的事了！！！
本次分享的奇淫巧计到此为止，以下是我无可奈何迫不得已的解决方案，各位小伙伴一定要擦亮眼睛认清版本和渠道呀！
其他思路
conda环境克隆
其实若有现成的tensorflow-gpu环境，完全可以采取conda环境克隆的方式。上文中的方法只是我贼不死心的尝试。
假设你有现成的环境A-env，相要克隆出环境B-env:
>>> conda create -n A-env --clone B-env
据说即使环境不在本机，也可以用路径引导（未尝试）：
>>> conda create -n A-env --clone Path
Docker
使用Docker仍然是相对方便快捷的环境配置方式，其优点此处不再赘述，简单分享一下使用方式；
- 编写Dockerfile
FROM tensorflow/tensorflow:1.13.1-gpu-py3
RUN apt-get update
- 创建docker镜像
docker build -t your-image-name .
# -t ：指定要创建的目标镜像名
# . ：Dockerfile 文件所在目录，可以指定Dockerfile 的绝对路径
- 创建docker容器并运行
docker run -t -i your-image-name /bin/bash
docker相关的示例到此结束，更多docker的操作在更专业更详细的地方去学吧
欢迎各位大佬交流讨论！