由于这里需要安装 tensorflow 中的gpu版本，他对python解释器的版本要求比较严格，所以这里我们就选择python 3.7.0版本。
另外由于深度学习计算量比较大，所以python需要安装64位。
官网下载地址： https://www.python.org/downloads/windows/ ，选择版本见下图：

在安装界面勾选上添加到path，这样python解释器就添加到了环境变量中

进入网页： https://developer.nvidia.com/cuda-toolkit-archive ，选择cuda toolkit 10进行下载

点击上图中的连接，进入下载界面，然后依次进行选择

选择好之后，将会进行下载，我们选择的是本地安装，安装包有2g大小。

等下载完成之后，点击下载好的文件进行安装（注意：一定要确认自己的电脑有nvida的显卡），安装软件会弹出下面的界面：

不进行修改，直接点击ok，然后软件会进行解压，如下图：

然后弹出下面系统兼容性检测，等待检测结束。

检测结束之后，会弹出下面的界面，点击同意

然后进入安装模式选择，选择自定义安装

去掉visual studio integration模型前的钩

去掉nvdia geforce experience 前面的钩和display driver前面的钩，然后点击下一步

进入安装路径界面，使用默认，点击下一步

最后等待安装完成

确认nvcc是否存在

在cmd中输入下面的命令：如果显示10.0，则证明nvcc没问题。

确认cupti文件是否存在

进入网页 https://developer.nvidia.com/rdp/cudnn-download 下载cudnn，但是这个文件的下载需要注册nvida。具体下载文件选择见下图

下载好之后，解压，内部文件如下：

然后将该文件夹重命名为 cudnn ，复制到cuda文件夹的主目录下，见下图：

确认下面的文件存在

对环境变量进行配置，保证下图中四个环境变量存在。

为了使得python的不同编译环境互不影响，所以这里使用了虚拟环境。使用 pipenv 建立虚拟环境，然后在其中进行下一步的安装。
为此需要先安装虚拟环境管理工具包： pipenv
打开cmd终端，使用代码 pip install pipenv -i https://pypi.douban.com/simple 进行安装。

上面的步骤可能需要使用管理员权限打开cmd

安装后进行虚拟环境的创建：

1. 首先，在要创建虚拟环境的位置新建工作文件夹

2. 然后， 在该文件夹下打开cmd终端，输入 pipenv --three ，创建虚拟环境，此时会在当前目录下生成文件Pipfile，用记事本打开，修改其中的安装源为 https://pypi.douban.com/simple ，保存。

3. 最后，在cmd中使用代码 pipenv shell 激活当前虚拟环境，准备进行下一步的安装。

在激活的虚拟环境中，使用下面的命令安装模块
pipenv install --skip-lock numpy pandas matplotlib ipython jupyter

安装tensorflow的cpu和gpu版本，命令如下：
pipenv install --skip-lock tensorflow==2.0.0 tensorflow-gpu==2.0.0

如果直接安装最新的tensorflow版本，不知道什么原因总会出现错误，而安装2.0.0版本则可以正确运行，所以这里选择安装上面的版本。

上面的都安装完成之后，在当前的虚拟环境中，输入 ipython 进入ipython交互环境中，使用代码 import tensorflow as tf 导入tensorflow模块，如果不报错，则证明tensorflow安装成功。
然后验证gpu是否可以使用，输入代码 tf.test.is_gpu_available() 进行测试，输入该代码之后，如果没有问题，则会弹出当前使用的gpu部分信息，并最后输出 True 。