Python/使用 anaconda 管理多个版本的 CUDA
虽然现在 Tensorflow 2 已经发布一段时间了，但仍然有很多历史代码是基于 Tensorflow 1 的。
由于经常需要复现过去的论文的代码，需要使用 Tensorflow 1 的 GPU 版本 ，而我的服务器已经安装了 Tensorflow 2 的 GPU 版本。
而 Tensorflow 2 和 Tensorflow 1 的 GPU 版本需要的 CUDA 和 cudnn 版本都不一样。
下面来看看如何在一个同一个服务器上，安装不同版本的 Tensorflow GPU 版本。
我们先来看下 Tensorflow 官网 对于不同的 Tensorflow GPU 需要的 CUDA 版本要求。
目前的情况是：我的服务器已经安装了 CUDA 10.1 和 tensorflow-2.1.0，现在我想安装 tensorflow_gpu-1.15.0，而这需要 CUDA 10.0。
也就是说需要两个不同版本的 CUDA。
通常网上搜索到的办法是 安装多个版本的 CUDA，但是这种方法的缺点是：当我们需要切换不同的 tensorflow 环境时，也需要手动切换对应版本的 CUDA，才能使用 GPU。
我发现了一种更加简便的方法，即是用 anaconda 来管理多个版本的 tensorflow 和 CUDA。
网上的大多数 tensorflow GPU 安装教程，都是手动安装 CUDA、cudnn、tensorflow，需要我们自己精确他们之间的版本对应关系，极其容易在版本上出错，而且费时费力。
其实使用 anaconda 也可以安装 CUDA、cudnn，而且可以创建多个不同的环境，来使用不同版本的 CUDA、cudnn。
比如我们需要安装 tensorflow_gpu-1.15.0，首先创建一个环境 tensorflow_gpu-1.15：
1 | conda create -n tensorflow_gpu-1.15 python=3.6 |
切换到这个新建的环境：
1 | source activate tensorflow_gpu-1.15 |
然后使用 conda 安装 tensorflow_gpu-1.15.0：
1 | conda install -c tensorflow_gpu==1.15.0 |
就是这么简单，conda 会帮我们下载安装 tensorflow_gpu-1.15.0 对应版本的 CUDA 和 cudnn 等库。
注意，这里不要使用 pip 来安装。
因为使用 conda 和 pip 安装是有区别的。
conda会检查tensorflow_gpu-1.15.0对应版本的 CUDA、cudnn 等，并自动安装这些依赖库。- 而
pip不会安装对应版本 CUDA、cudnn。
最后一点，如果你使用 conda 安装特定版本的 tensorflow 失败，比如下面的 PackagesNotFoundError 错误：
1 | Solving environment: failed |
你可以打开 anaconda 的官网：https://anaconda.org/，在搜索框里搜索 tensorflow。
然后在搜索结果页中，找到你想要安装的版本，比如我这里要找 tensorflow_gpu-1.15.0，点击进去。
就可以看到对应的安装命令 conda install -c databricks tensorflow-gpu。
使用这个命令安装即可。
参考
