一、硬件要求

首先，TensorFlow-gpu不同于CPU版本的地方在于，GPU版本必须有GPU硬件的支撑。TensorFlow对NVIDIA显卡的支持较为完备。
对于NVIDIA显卡，要求对于其算力不低于3.5。算力参考：

http://developer.nvidia.com/cuda-gpus

驱动版本注意:NVIDIA驱动程序需要418.x或者更高的版本。可以在命令行中输入

nvidia-smi

命令查看驱动版本。

我们可以看到我们的驱动程序满足上述条件。于是我们可以开始正式安装tensorflow-gpu了。

TensorFlow-gpu版本有两个重要的依赖库，分别是CUDA和cudnn。下面我首先来介绍CUDA的安装方法。
对于tensorflow-gpu2.3.0版本来说，对于CUDA的版本需要是10.1，cudnn版本号需要不小于7.6

二、 CUDA和cudnn的安装

1、查看本机的CUDA驱动适配版本

桌面右键打开英伟达控制面板，点击帮助->系统信息->组件

可以看到本机支持的是CUDA 10.2 版本，表示是不支持更高版本的。如果你升级了驱动，可能会支持更高版本，也可能不会提升。

所以就必须安装 10.2 及以下的版本，即我们可以正常安装CUDA10.1版本。

2、下载CUDA和cuDNN

CUDA10.1下载页面：

https://developer.nvidia.com/cuda-10.1-download-archive-base

cuDNN下载页面：

https://developer.nvidia.com/rdp/cudnn-archive

记得一定要下载与你所下载的CUDA版本相匹配的版本，这里我下载的是

3、安装CUDA和cudnn

找到你下载的CUDA，无脑点击下一步安装就行了。当然如果你想自定义的话要记住你选择的安装路径。本人推荐使用默认的安装地址。

CUDA安装完成后，打开命令行窗口，执行nvcc -V ，成功的话会返回cuda版本号。

解压cuDNN压缩包，可以看到bin、include、lib目录

打开 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA，这个是你CUDA安装的默认地址，如果自定义了安装路径，请打开你自定义的路径。

找到你安装的版本目录，打开，找到bin、include、lib目录，将cuDNN压缩包内对应的文件复制到bin、include、lib目录。

注意：是复制文件到bin、include、lib目录，不是复制目录。

4、添加环境变量

你需要在系统环境变量的Path项下添加几个路径

点击：新建
复制粘贴下列两个路径即可

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp

最后点击确定即可

注意：选择你安装的路径，我使用的是默认的安装路径，所以是上面两个路径，如果是自定义的路径，请填写自己选择的路径。

5、检查安装结果

打开命令行窗口，在命令行窗口输入以下命令

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite
//然后输入下一行命令
.\bandwidthTest.exe

若出现以下信息，说明CUDA已经cuDNN安装成功

三、TensorFlow-gpu 2.3.0版本的安装

打开以管理员身份命令行窗口，执行以下命令

pip install -i https://pypi.douban.com/simple/ tensorflow-gpu==2.3.0//使用豆瓣源来安装

注意：一定要以管理员身份打开命令行窗口，否则会出现拒绝访问的错误！！！

等待安装完成后，输入pip list查看自己安装的tensorflow版本。

最后，编辑代码

import tensorflow as tf
print(tf.test.is_gpu_available())

若输出true则表示，安装成功。

四、写在最后

在文中，本人并未重新创建一个环境安装tensorflow2.3.0，由于tensorflow1.x版本与2.x版本差距较大，网上代码使用的版本有时是1.x有时是2.x，所以本人建议，大家再创建一个环境，参照以上步骤安装一下tensorflow1.x的版本。以备不时之需。