首先版本之间的配套实在是太重要太重要太重要了
先搞清楚自己的GPU支持的CUDA的版本我的MX150亲测可以支持10.1.150版本的CUDA。接着去看对应的CUDA的版本对应的tensorflow的版本是什么：
2022最新：TensorFlow各个GPU版本CUDA和cuDNN对应版本整理(最简洁)_hi_1900的博客-CSDN博客_tensorflow-gpu最新版
接着去英伟达的官网上下载对应的CUDA toolkit：
CUDA Toolkit 10.1 original Archive | NVIDIA Developer
Archive里面会有各个历史版本的CUDA下载，选local就是离线的安装包：
下好对应版本的CUDA之后，如果之前装了其他版本的CUDA，记得先在控制面板里卸载掉，虽然我不清楚是否有影响。
注意，下面这一步不是选择安装的位置，而是安装包解压的临时文件的地方，安装完后该目录下的内容将会被自动删除
然后跟着提示把CUDA toolkit给安装上，安装的过程中可以点自定义安装，选择安装的位置，否则默认安装在C盘。如果你显卡的驱动没有安装也没关系，CUDA toolkit里面带有一个对应的最小版本的显卡驱动。
装好CUDA toolkit后，可以在环境变量里面看到有关CUDA的路径，还可以用命令行检查是否成功安装：
nvcc --version
以上完成，那么CUDA toolkit的安装就完成了。
然后到tensorflow的部分，找到对应CUDA版本的tensorflow版本，我的对应CUDA10.1的tensorflow版本是2.3.0，对应的python版本是3.5到3.8，我用的是anaconda3来管理虚拟环境，于是：
powershell中建立虚拟环境，cvflow是我自己定的环境名：
conda create cvflow建好虚拟环境后就激活虚拟环境，激活成功可以在前面括号看到虚拟环境的名字：
conda activate cvflow然后，我用pip来下载安装tensorflow和其他的常用的python包。为什么用pip而不用anaconda呢？因为我在anaconda上下的tensorflow的版本无法切换，也许是我自己电脑的问题。在此之前我把pip的源换到aliyun，之前换到过清华源，但是下载完后会一行红色的字报错，aliyun不会。这会比默认的源下载更快，换源参考：
pip3 换源 - Lucien's Blog
然后powershell输入命令安装tensorflow的指定版本，2.3.0的GPU版本：
pip install tensorflow-gpu==2.3.0之后再按需把matplotlib等一些常用包安上：
pip install matplotlib我的代码里有用到keras的部分，虽然tensorflow里已经集成了keras，但是我不知道它的版本，为了精确控制版本，我用pip独立安装了keras模块，这里注意，keras的版本也要和tensorflow的版本配合，见这里：
win10安装tensorflow2.3.0和对应2.4.3版本的keras_Cc1924的博客-CSDN博客_tensorflow2需要安装keras吗
到这一步，就可以去power shell里用以下命令测试CUDA是否能运行了：
先激活虚拟环境：
conda activate cvflow进入python的输入界面：
然后输入：
import tensorflow as tf
print(tf.__version__)
print(tf.test.is_gpu_available())这时如果CUDA正常工作，会在一长串东西之后最后返回一个True，但是当时我并没有成功，检查了中间的消息，发现是缺少了一个cudnn64_7.dll文件，这里有解决方案：
(20条消息) 解决Could not load dynamic library ‘cudnn64_7.dll‘； dlerror cudnn64_7.dll not found_鸭梨的药丸哥的博客-CSDN博客_cudnn64_7.dll官网下载这个东西需要注册一个NVIDIA的账户，注册就是了
然后我们再用上面的测试代码测试一次，成功了：
经历了几天的摸索，总算搞定了。
我用的是小米笔记本13寸和我的另一个用huawei笔记本的室友一起鼓捣，他最后怎么都搞不出来，最后发现他当时买的是最低配的集显本，没有独立显卡
