背景
在深度学习环境配置中，尤其是TensorFlow的GPU环境，对各个依赖的版本非常苛刻，本文旨在探索一种持续可用的SOP，方便配置任何版本的TensorFlowGPU环境。
在这个SOP中不会指定任何一个版本，而是指导你如何 根据你的需要 的版本取去查询对应的依赖版本！这样能让这个SOP持续可用！
准备工作
在开始安装之前，我们需要了解三个关键版本，这决定了环境是否能兼容运行。
- Tensorflow版本
- CUDA版本
- cuDNN版本
不用担心复杂，官方已经整理好了依赖关系，你需要做的就只有确保你的电脑已经正确安装了GPU驱动，这可以通过命令nvidia-smi来进行查看，在命令结果的右上角，你可以看到你驱动所支持的最大CUDA版本。
*最小版本其实也是有限制的，这里我们先不关注，文章最后有说明。
具体步骤
1. 前往TensorFlow官网查看目标版本所需依赖
经过测试的构建配置(注意一定要语言一定选英文，中文版的很久没更新了！！） 在上方这个链接里TensorFlow官方给出了不同TensorFlow版本所兼容的CUDA和cuDNN版本。
假如现在团队要求安装Tensorflow 2.3.0版本。我们就找到这一行：
| 版本 | Python 版本 | 编译器 | 构建工具 | cuDNN | CUDA |
|---|---|---|---|---|---|
| tensorflow-2.3.0 | 3.5-3.8 | GCC 7.3.1 | Bazel 3.1.0 | 7.6 | 10.1 |
取出我们所需的三个关键版本
- Python版本：3.8
- CUDA版本：10.1
- cuDNN：7.6
当然也可以根据你的需要选择版本，主要就是取到这三个关键版本，Python版本一般选支持范围最新的就可以。
2. 创建conda环境并激活
替换tf23为你想创建环境名称、替换3.8为Python版本。
conda create -n tf23 python=3.8 -y
conda activate tf23
3. 安装环境独立的CUDA/cuDNN
替换10.1和7.6为你需要的CUDA/cuDNN版本。
conda install -y cudatoolkit=10.1 cudnn=7.6
有些版本提示找不到，可以选用社区源
conda install -y cudatoolkit=10.1 cudnn=7.6 -c conda-forge
*如果慢且长时间安装不成功，请参考附录的解决方案。
4. 安装 TensorFlow
替换2.3.0为你需要的TensorFlow版本
pip install "tensorflow==2.3.0"
这里建议直接装 tensorflow==2.3.0。原因是 从 TF 2.1 起，tensorflow 与 tensorflow-gpu 本质上是同一个包（后来官方也明确让大家装 tensorflow）。
*如果感觉慢，或者报错433。可以尝试临时使用国内源（这里是清华源）。
pip install "tensorflow==2.3.0" -i https://pypi.tuna.tsinghua.edu.cn/simple
附录：
如果在第三步中感觉慢，可以尝试临时使用国内源（这里是清华源）。
conda install -y \
cudatoolkit=10.1 \
cudnn=7.6 \
-c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge \
--override-channels
或者长期更换conda源。清华源Conda换源教程 首先查看现有源。
conda config --show-sources
一般是只有一个default，通过这个命令添加自定义源（这里是清华源）。
conda config --set custom_channels.auto https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/
再次查看现有源，可以看到已经添加了清华源，此时可以再次尝试安装。
conda config --show-sources
如果出现错误，可以用这个命令移除。
conda config --remove channels 源名称
总结
本文的主要场景是针对团队合作、项目复现、导师要求等情况下需要安装【指定版本】的SOP。当然安装最新版本也可以按照这个流程自行调整。
番外——检查当前GPU所支持TensorFlow版本范围
给定一台 GPU，判断：
- 是否支持某个 TensorFlow 版本
- 支持 GPU 的 最老/最新 TensorFlow 版本
1. 确定 GPU 的 Compute Capability（CC）
NVIDIA 官方表 developer.nvidia.com/cuda-gpus
- 命令行运行
nvidia-smi - 拿到 GPU 型号（如 RTX 3060）
- 在上面的 NVIDIA 页面查到 Compute Capability（如 8.6）
2. 由 Compute Capability 推导最低 CUDA 版本
NVIDIA CUDA Release Notes docs.nvidia.com/cuda/ CUDA release notes 中会标注 “Added support for compute capability X.Y 这里也有一个常用的
# Compute Capability → 最低 CUDA（参考）
CC 5.x (Maxwell) → CUDA ≥ 7.0
CC 6.x (Pascal) → CUDA ≥ 8.0
CC 7.0 (Volta) → CUDA ≥ 9.0
CC 7.5 (Turing) → CUDA ≥ 10.0
CC 8.x (Ampere) → CUDA ≥ 11.1
CC 9.x (Hopper) → CUDA ≥ 12.0
3. 查询GPU驱动支持最大CUDA版本
- 命令行运行
nvidia-smi - 右上角CUDA Version即驱动支持最大版本
4. 查 TensorFlow 版本使用的 CUDA 版本
TensorFlow 官方安装文档（历史版本）www.tensorflow.org/install/sou… 查每个 TF 版本对应的：
- CUDA version
- cuDNN version
5. 兼容性判定公式
GPU 要求的最低 CUDA 版本 ≤ TF 使用的 CUDA版本 ≤ GPU 驱动支持的最大 CUDA 版本
5. 得到TensorFlow可使用范围
在表格中找到 CUDA 版本对应的 TensorFlow版本
示例（RTX 3060）
- GPU：RTX 3060
- CC：8.6（NVIDIA CUDA GPU 表）
- 最低 CUDA：11.1（CUDA 11.1 release notes）
- TF 2.3 → CUDA 10.1 ❌
- TF 2.4 → CUDA 11.0 ❌
- TF 2.5 → CUDA 11.2 ✅
结论：RTX 3060 最老支持 TF ≈ 2.5+
