PC端配置深度学习环境本身不太麻烦，但是如果想要使用GPU加速，那么就有点麻烦了。
一是因为CUDA以及CUDNN的下载很麻烦，因为服务器在国外；二是因为各种版本的匹配问题，因为各种版本匹配的涉及到硬件软件深度学习框架厂家三方。
本文记载一下安装过程，顺便提供CUDA以及CUDNN的安装包，见百度云链接。
软件硬件背景：
OS：Windows 10
GPPU：GeForce GTX 1660Ti
以英伟达显卡为例
打开英伟达控制面板，点击帮助，在下拉菜单选择系统信息，如下图所示：
然后在新的界面点击组件，这时候你可以看到你的显卡相关信息了。着重留意你的CUDA版本信息，在本列中，版本为11.1，那么在下载CUDA安装包的时候，版本不得高于11.1。
CUDA的下载链接如下：
https://developer.nvidia.com/zh-cn/cuda-downloads
在你进入之后的界面如下：
他的默认选择是11.1版本的包下载界面，这时候，我建议你不要使用最新版本的包，因为各个框架的厂家对最新的支持没那么快，建议采用低版本的安装，比如最新版本是11.x，那么我建议你优先考虑10.X，这样有一个好处就是能确保各个框架都能支持。更保险的做法是去你要使用的框架的主页去查看他们支持哪些版本，以pytorch为例，如下图：
首界面提示的是可以支持10.2和11.1，那么你在安装的时候，就可以考虑安装这两个版本。如果你的机器不支持这两个版本，那么你可以点击左下角Previous version of Pytorch去查看她的往期版本，寻找合适的版本下载和安装。
回到前面说的主界面只有cuda11的下载链接，那么我们就需要去寻找其他版本的下载链接，在屏幕的下方可以看到一个早起版本的字眼，点击他：
进去之后的界面如下：
选上图选择符合你需求的版本点击进去，之后显示画面如下：
然后再继续选择和你系统匹配的版本，点击下载，如上图所示。
CUDNN的下载链接如下：
https://developer.nvidia.com/rdp/cudnn-download
进入之后，你需要注册一个英伟达账号，然后回答一系列问题，才能够正常下载，此时的下载界面如下：
此时主界面只有两个版本的CUDNN可以下载，如果主界面的两个版本与你的CUDA版本不匹配，那么就点击Archived cuDNN Releases，这里会有所有的历史版本链接
然后去界面选择要下载的CUDNN版本，在这里要注意，一定要下载与CUDA相匹配的CUDNN版本！！！
双击下载好的CUDA，如果C盘足够大，建议使用默认路径，可以减少不必要的麻烦。如果C盘不够用，可以自定义其他地方为安装路径。不论安装在哪里，都要记住这个路径，因为后面会用到。
将下载的CUDNN文件解压出来，你会看到如下几个文件
此时，将这三个文件夹内的内容，分别复制到CUDA安装根目录对应的文件夹内，注意，是复制文件，不是直接复制文件夹。
如果你使用的是默认安装目录，那么你的目录应该是C:Program FilesNVIDIA GPU Computing ToolkitCUDA。在这个目录下，也存在bin,include,lib这三个文件夹
右键单击‘此电脑’然后选择‘更多’，然后点击‘属性’
然后选择高级系统设置
然后点击‘环境变量’
然后，选择‘path’，然后点击编辑：
然后在新出来的界面点击‘新建’
将如下几个路径添加到环境变量中：
1. C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.1bin
2. C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.1libnvvp
3. C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.1bin
4. C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.1extrasCUPTIlib64
注意：要填写你自己的安装路径！！！
3.4.1 进入Windows命令行
3.4.2 进入 C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.1extrasdemo_suite目录
cd C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.1extrasdemo_suite
运行deviceQuery.exe和bandwidthTest.exe文件
如果都没有报错，那么就是安装成功了。
你还可以在cmd下输入nvcc -V查看CUDA的版本
至此，显卡的硬件配置完全完成了。
