文章结构：
Anaconda 下载安装地址：https://www.anaconda.com/download/
安装完毕：
二、安装tensorflow（gpu版本） 1、查看电脑显卡配置在安装前，首先确定你的电脑支不支持gpu,查看一下显卡配置：
注意：安装gpu版本的话需要提前安装cuda ，cudnn，而且cuda,cudnn,python,都要预先和TensorFlow匹配,这点十分关键，也是成败的关键
安装对应版本的cuda,cudnn 从这里看对应版本：https://tensorflow.google.cn/install/source_windows?hl=zh-CN
传送门：
cuda：https://developer.nvidia.com/cuda-toolkit-archive
cdnn：https://developer.nvidia.com/rdp/cudnn-archive
安装路径（记住）
配置环境变量path（看一下有没有配置好）
装 msvc,贴上：https://docs.microsoft.com/zh-CN/cpp/windows/latest-supported-vc-redist?view=msvc-170
关键步骤:cdnn下载好后对应的bin include lib 这些 文件的内容 相应的复制到 cuda的安装路径下的 对应的bin inculue lib 文件下
2、虚拟环境安装tensorflow
进入anaconda,base环境下 (创建虚拟环境这一步是方便不同版本的切换，不污染环境)
#这里选择安装tensorflow2.4(需要CUDA 11.0和CUDNN 8.0，python 3.6-3.8)conda create --name tf_2.4 python=3.7 tf_2.4是自定义的环境名，python选择了3.7#这时候，创建好了虚拟环境，查看conda env list#激活虚拟环境 tf_2.4conda activate tf_2.4#安装tensorflow 2.4#选择国内清华源：：pip install pip -Upip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simplepip install tensorflow-gpu==2.4.0#测试tensorflowpython #可以看到python版本
运行
import tensorflow as tftf.config.list_physical_devices() # gpu版的安装的信息#检查在本机有没有安装cuda cudnntf.test.is_built_with_cuda() 返回truetf.test.is_built_with_gpu_support() 返回true返回以下信息，说明安装成功了。
三、安装tensorflow(cpu版本)
创建虚拟环境安装tensorflow
conda create --name tfcpu_2.7 python=3.7 #创建虚拟环境conda activate tfcpu_2.7 #激活#安装tensorflow2.7#选择国内清华源：pip install pip -Upip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simplepip install tensorflow==2.7.0
测试tensorflow
四、添加内核 1、添加tensorflow gpu 2.4.0内核思路：base环境安装ipykernel->新的环境安装ipykernel->回base环境->写入kernel->还是在base环境->激活jupyter lab演示添加tensorflow gpu 2.4.0内核
#先给base环境安装conda install ipykernel -y#激活新的环境conda activate tf_2.4 添加gpu版本的tensorflow到内核#给新的环境安装ipykernel库管理解释器conda install ipykernel -y#切换回base环境conda activate base#写入kernelpython -m ipykernel install --user --name tf_2.4 --display-name "tf_gpu_2.4" #--name tf_2.4原本环境的名字，"tf_gpu_2.4"是想要看到的名字#还是在base环境，激活jupyter lab或者jupyter notebookjupyter lab到这，tensorflow gpu 2.4.0内核就添加成功了，添加cpu版本的也是一个道理的。
添加完内核后，可以方便的选择不同的内核进行切换，以满足不同的需求 2、删除内核
有时候，我们想要删除相应的内核，可以通过：
#删除juypter中kerneljupyter kernelspec list 列出当前jupyter kernelspec remove <名字> #注释：<>尖括号去掉之后，输入kernel 名字即可删除
五、修改Jupyter lab路径每次我们打开Jupyter lab时，在弹出的浏览器界面上是系统默认的文件位置（工作路径），有时候我们想保存写好的Python文件到自己想要的位置时就非常的不方便，那么我们该如何修改Jupyter lab默认的工作路径呢？
#base 环境下jupyter notebook --generate-config#根据路径，找到刚才生成的配置文件
用记事本打开此配置文档，并用搜索（Ctrl+F）找到如下字段：
#c.NotebookApp.notebook_dir =
在后面的引号“”中输入想修改为的默认工作路径，并删除前面的#，保存文件修改Jupyter lab的快捷方式，删掉目标中的%USERPROFILE%,并在后面添加上刚才设置好的默认工作路径
ok,更改成功。
六、一些要理解的基本知识base 环境只是anaconda自动配置的环境，里面的Python环境是你自己本机之前安装存在的。在anaconda创建了虚拟环境后，意味着你要重新在这个虚拟环境重新安装conada 里面安装TensorFlow，conda会自动安装cudatoolkit，并不是说不用再安装cuda和cudann了，只是cudatoolkit会让你运行的时候启动一下显卡，还是需要手动安装cuda和cudnn到本机pip 和conda区别：功能区别不太大，使用pip的话仅仅安装软件包，使用conda，可以自动检查依赖环境