一.Anaconda的安装
Anaconda的官网：https://www.anaconda.com/
1.进入官网
2.选择不同系统的不同的版本
3.双击安装（按照提示一步步来）
双击下载的exe文件 ，如：
（这是windous 64位操作系统的）
二、深度学习框架（TensorFlow cpu/gpu 、Keras、Pytorch）的安装
以下的深度学习框架根据自己的需要选择，选择标题1或者标题2看，即可。如果需要都安装的可以按书顺序阅读
1.TensorFlow cpu/gpu 安装（Keras的安装方法相同）
通过开始键进入（如下）anaconda
这是anaconda的主界面
选择Environments，进入python包的管理
（个人理解：anaconda就是就是一个python包的管理工具，将不同的包所构成的python环境统一管理，类似于文件夹的功能）
接下来建立一个python环境（自己命名，类似于一个文件夹的功能）
选择1后，你会看到如下的窗口
在这里，Name中是你自己的python包环境的命名，比如我的python3.5-tensorflow-gpu
这里的R表示R语言，不需要勾选
选择完后，点击Create
python的版本选择，根据实际的需要，参考这个网址：https://blog.csdn.net/omodao1/article/details/83241074（这个网址非常非常重要，对号入座，否则后面全是坑）
TensorFlow 有两个版本：CPU 版本和 GPU 版本。GPU 版本需要 CUDA 和 cuDNN 的支持，CPU 版本不需要。如果你要安装 GPU 版本，请先确认你的显卡支持 CUDA。
注意：如果选择安装GPU版的，要注意安装的cuDNN和CUDA的版本。
因为anaconda中安装的tensorflow-gpu的版本是tensorflow_gpu-1.1.0版的，所以我这里选择python3.5的，同时我稍后安装的cuDNN和CUDA，根据表格可以可以知道
接着，点击步骤2，下拉列表中的 not installed
步骤3中，输入你要安装的深度学习框架的包（这里只有tensorflow cpu/gpu 或者keras，pytorch我会在后面提到）
出现如下图，跟着图中所示进行安装
接来下的步骤，这里就不说明了，比较简单，按照提示一步步来，完成安装
2.Pytorch 的安装
pytorch的官网：https://pytorch.org/
下拉页面，找到如下页面
根据自己的实际需要进行选择，比如我安装的是cpu版本的，那么我在cuda这里就选择None（python选择都可，其它根据自己选择）；如果我是安装gpu版本的，我的cuda是8.0的，那么根据https://blog.csdn.net/omodao1/article/details/83241074选择相应的python版本，就是python3.5
注：如果这里都看不懂的话，建议先去了解一下conda（就是anaconda）、duda等相关知识。后期我可能会补充上这部分的知识，这里不做说明。
然后，复制如下位置的代码
打开anaconda，左键选择第一个选项，即Open Terminal
然后，出现如下窗口，将刚刚复制的代码通过右键或者Ctrl+v或者其它方式复制进去（这里我是安装好的，所以有前面的python3.6-pytorch），回车进行安装。这里等待的时间较长，中间需要让你输入Y，继续安装。
截止目前，我们已经安装好了深度学习框架，我们能使用cpu版本的进行运行，但是针对gpu版本的，我们还需要安装Cuda+Cudnn，接下来标题三，将简述Cuda+Cudnn的安装，如果没有需要的，可以跳过，直接看标题四。
三、Cuda+Cudnn的安装
先看这句话：CPU 版本和 GPU 版本。GPU 版本需要 CUDA 和 cuDNN 的支持，CPU 版本不需要。如果你要安装 GPU 版本，请先确认你的显卡支持 CUDA。
根据这个网址：https://blog.csdn.net/omodao1/article/details/83241074
选择与之前安装好的tensorflow的对应的CUDA和cuDNN的版本
这里我选择与前文安装的tensorflow-gpu1.1.0版本和python3.5版本对应的cuDNN5.1和CUDA8
这里我们先安装CUDA，再安装cuDNN
1.CUDA的安装
进入nvidia官网：https://developer.nvidia.com/cuda-80-ga2-download-archive
选择自己要下载的CUDA版本
然后，双击下载完成的exe文件，根据提示一步步安装，可以自定义安装位置
直接双击执行就可以了，就像安装正常的其他软件一样，安装过程屏幕可能会闪烁，不要紧，而且安装时间有点长。
温馨提示：第二次选择安装路径的时候，有三个需要选择安装路径的，这三个路径需要一致（博主自己遇到的坑）
安装完之后系统变量会自动为你添加上，这个不用管。
测试一下是否安装成功，命令行输入 nvcc -V ，看到版本信息就表示安装成功了。
1.cuDNN的安装
https://developer.nvidia.com/rdp/cudnn-archive
下载完成并解压后，有3个文件夹，我们需要直接复制到cuda的安装目录下（三个一起选中，直接全部复制进去就行了）
插曲：如果遇到问题，可能是环境变量的问题，我们可以检查一下系统的环境变量，如下
右键点击我的电脑，选择属性，选择高级系统设置，出现下图
点击后，根据下图操作
添加如下三个环境变量
截止目前，我们完成了anaconda、深度学习框架的安装以及cuda和cudnn的安装，接下来我们讲框架导入pycharm编译器中
四、框架导入pycharm
pycharm的安装，可参看其它博客，这里主要将如何导入
首先，选择文件，点击设置（如下图）
选择 add
比如，我的深度学习框架如下：
确定后应用
如何检查是否安装成功？
1.测试pytorch+cuda+cuDNN，pytorch的Gpu版本安装是否成功
import torch
print(torch.cuda.is_available())
返回结果是True，则PyTorch的GPU安装成功
2.tensorflow-gpu测试代码
import tensorflow as tf
with tf.device('/cpu:0'):
a = tf.constant([1.0,2.0,3.0],shape=[3],name='a')
b = tf.constant([1.0,2.0,3.0],shape=[3],name='b')
with tf.device('/gpu:1'):
c = a+b
#注意：allow_soft_placement=True表明：计算设备可自行选择，如果没有这个参数，会报错。
#因为不是所有的操作都可以被放在GPU上，如果强行将无法放在GPU上的操作指定到GPU上，将会报错。
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True))
#sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(sess.run(c))
3.查看已安装tensorflow版本
python
import tensorflow as tf
tf.__version__
tf.__path__ #查询tensorflow安装路径为