GeForce Experience 演示
现在安装驱动过程中最重要的步骤已经完成，你可以选择手动安装 CUDA 工具包，也可以选择在安装 TensorFlow 或 PyTorch 时留给 Conda 来安装（强烈推荐后者）。
如果决定手动安装，你可以从这里下载安装包：https://developer.nvidia.com/cuda-downloads，然后跟着指示操作即可。
安装 CUDA 工具包
CUDA 工具包装好之后，你可以在 cmd 或 Powershell 中执行 nvidia-smi 命令进行验证。
nvidia-smi 的输出
安装 TensorFlow
现在终于来到本教程的关键了。如果你已经完成了前述步骤，那么这一步会非常简单。
我们通过 Conda 来安装 TensorFlow 2.x。
要注意，首先进入我们之前创建的 tensorflow 环境，然后再进行操作。
如果你需要 GPU 支持，就运行以下命令：
通过 anaconda 通道安装 TensorFlow 的 GPU 支持软件。使用 conda 而非 pip 安装 TensorFlow 的一大优势是 conda 的软件包管理系统。使用 conda 安装 TensorFlow 时，conda 还会安装所有必需和兼容的依赖包。这个过程是自动的，用户无需通过系统软件包管理器或其它方式安装任何其它软件。
其中也包含 TensorFlow 或 PyTorch 所需的版本合适的 CUDA 工具包。因此，使用 conda 能让这个过程变得非常简单。
我们只能在安装了 TensorFlow GPU 的环境中看到所安装的 CUDA 工具包。这既不会影响到全局系统的 CUDA 版本，同时也能满足 TensorFlow 和 PyTorch 的不同版本 CUDA 需求。这就是使用虚拟环境的最大好处，它能让不同的虚拟环境完全隔离开。
如果一切顺利，你不会在安装过程中看到任何报错信息。
要验证 TensorFlow 和所需的软件包是否成功安装，你可以执行 conda list，这会显示已安装软件包的列表，你应该能在其中找到与 TensorFlow 相关的软件包以及 CUDA 工具包。
你也可以打开 Python prompt 来验证是否已安装 TensorFlow。
如果你看到了版本号，那么恭喜你，TensorFlow 已安装成功！任务完成。
