tf1.13.1 及 tf2.0.0 相關依賴及版本
硬件說明：顯卡NVIDIA-GEFORCE-GTX-1060
1.驅動版本檢查，並且更新顯卡驅動【這一步很重要，你的驅動版本低了，cuda及cudnn就可能出錯】
錯誤：DLL load failed: 找不到指定的模塊。
cmd中輸入：nvidia-smi
顯卡驅動已經是最新的了。如果不是最新的顯卡驅動，需要手動更新一下。
補充：驅動version對應 cuda 和 cudnn的版本
我們安裝的cuda 是10.0.130 所以：win10對應的nvidia的驅動版本要大於411.31。【我更新后的顯卡驅動為：436.48滿足條件】
假如你的驅動版本低於411.31，就需要更新驅動
驅動下載地址：https://www.nvidia.com/Download/index.aspx?lang=en-us
選擇下載版本：根據自己電腦的顯卡型號進行選擇（百度相關機型，就能有詳細信息；也可以在硬件里查看；）
第一次下載的標准版本，提示我的電腦windows Drivers Type 為DCH 而不是標准版本，所以重新下載安裝成功。
下載的驅動：436.48-desktop-win10-64bit-international-dch-whql.exe 按提示（prompts）安裝即可。
說明：我是先卸載原有NVIDIA驅動之后安裝的，如果你沒有卸載原有驅動，覆蓋安裝不清楚是否可行。
2.安裝tensorflow-gpu1.13.1【如果沒有安裝anaconda，先自行安裝】
2.1創建虛擬環境 tf113：
在cmd以管理員身份運行：conda create -n tf113 python=3.6.9
2.1.1激活 tf113 安裝cudatoolkit 及cudnn
查看可供安裝的版本：conda search cudatoolkit
網上很多說10.1不太支持，反正自己前幾次10.1的安裝，沒有成功。這里就直接安裝10.0.130
conda install cudatoolkit=10.0.130
同理：查看cudnn的版本 ：conda search cudnn
支持cuda10.0的cudnn有兩個版本 選擇一個
conda install cudnn=7.3.1
查看tensorflow-gpu可供選擇的版本
conda search tensorflow-gpu
因為最近學習的內容，大部分是在tensorflow1.13.1基礎上完成的，所以這里選擇安裝該版本
conda install tensorflow-gpu=1.13.1
現在開始安裝 numpy scikit-leran Keras等平時需要用到的包
conda install numpy
提醒：該虛擬環境，最好手動更新安裝包，不要批量更新
2.2創建虛擬環境 tf200：
2.2.1在cmd以管理員身份運行：conda create -n tf200 python=3.6.2
2.2.2：激活虛擬環境tf200 ：conda activate tf200
2.2.3：安裝cuda ：conda install cudatoolkit=10.0.130
2.2.4：安裝cudnn ：conda install cudnn=7.3.1
2.2.5：安裝tensorflow-gpu 2.0.0
注意：conda search tensorflow-gpu 2.0.0 的庫中並沒有 該版本的tf包，所以選擇用pip進行安裝
2.2.5.1：更新pip至最新的版本，這一步很關鍵，不是最新的版本，有可能找不到tf2.0的包
python -m pip install --upgrade pip ##更新到最新，方式不統一
2.2.5.2 ：通過清華源進行安裝（清華源更改：操作指導 ：https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/）
pip install tensorflow-gpu==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
2.2.5.3：安裝過程提升錯誤：ERROR: tensorboard 2.0.0 has requirement setuptools>=41.0.0, but you'll have setuptools 36.4.0 which is incompatible.
升級setuptools：查看有哪些版本 conda search setuptools
conda install setuptools=41.4.0
2.2.6測試tf2.0是否安裝成功
import tensorflow as tf version = tf.__version__ gpu_ok = tf.test.is_gpu_available() print("tf version:",version,"\nuse GPU",gpu_ok)
tf version: 2.0.
use GPU True
開始接下來的學習之旅