背景需求
原先的环境下，由于numpy1.20版本和部分代码存在冲突，需要降级使用numpy库。而因为原环境numpy库是随着tensorflow2.5依赖安装的，降级显然不现实，因此想使用conda创建一个新环境。
由于需求cuda11以上的版本，查阅资料后可选择的只有tensorflow2.4。然而，conda提供的版本并不包含2.4版本。
此外，为了找到python版本和numpy与tensorflow不冲突的opencv库，尝试了多次的安装解析，最终找到不冲突的环境为python3.6，安装numpy依赖同样为1.19的opencv3.3版本。
P.S. conda的tensorflow和opencv版本数量少感觉挺坑的，较少的版本数限制了依赖库版本的选择范围。而opencv版本对python版本有较强限制，且在同一python版本中底层库还可能和tensorflow有冲突，尤其是出现cuda和cudnn的冲突，想要找一个多方都不冲突的需要多查资料，多试几次环境配置。
安装过程
由于上述分析，满足需求的最佳选择是：python3.6 + tensorflow2.4+numpy1.19+opencv3.3 。而conda并没有提供tensorflow相关包安装与依赖解析，因此需要按照一般的cuda+cudnn+tensorflow的方式配置。
需要注意的是，既然选择了虚拟环境，就尽量使用包管理器提供的工具，避免直接在系统里折腾Nvidia那套，保持计算机操作系统原环境的纯净会比较好。
具体操作
首先创建一个新的conda环境：
conda create -n py36 python=3.6
激活新环境：
conda activate py36
先使用conda提供的方法安装opencv：
conda install opencv=3.3.1
（具体版本号的选择可用conda search进行查询）
接下来先安装cuda，在conda环境下，提供了cudatoolkit的二进制分发包，故优先考虑使用conda安装：
conda install cudatoolkit=11.0
需要注意的是，conda默认源是找不到 cudnn8.0 版本的，但是在conda-forge这一channel中是存在的，因此使用-c来指定：
conda install -c conda-forge cudnn=8.0
在搭建好cuda和cudnn的环境后，转为使用pip进行安装。使用pip相比其它有conda支持的版本可能安装不够完善，但是还是有基本的依赖解析能力的，毕竟conda没有这版本也没办法：
pip install tensorflow-gpu=2.4.0
需要注意的是，上述版本号一定要找好对应关系，错误的cuda/cudnn和tensorflow共存时往往出现找不到GPU设备等问题、
之后使用conda安装所需的其他包即可，尽量避免冲突，目前看来conda的安装机制和依赖解析机制没有想象的那么优秀，有些问题还是需要自己去查阅和尝试解决。最重要的还是要发现问题出在哪里。