依赖环境：N卡GPU驱动，其次是conda的环境。该方法保证可以成功，并且初始化也很快。
前话
解决这个问题首先要明确的是不同的torch或者tensorflow的版本，对应不同的cuda和cudnn，并且相同版本的cuda在torch和tensorflow需要的cudnn都不相同。如果版本不对应，是无法安装GPU版本的torch或者tensorflow的，即使安装成功，其初始化速度也非常慢，需要手动调整才可以。
cuda和cudnn是两个不同的软件库，cuda是英伟达开发的通用并行计算平台和编程模型，所以在一般的GPU并行计算时，总会看到它的身影。cudnn则是英伟达开发的基于cuda的深度学习加速库，主要目标是深度学习。也就是说，如果想要使用英伟达的卡做深度学习，就必须安装这两个软件。并且这些软件的版本必须要对应，这样GPU才能正常工作，并确保最佳的性能和稳定性。
GPU版本的torch 安装方法
为了不破坏现有的python环境，可以先搭建另外一个环境：
conda create -n env_name python=3.*
这个方法可以安装很多个环境，不要怕折腾坏了，如果折腾坏了，可以直接卸载：
conda uninstall env_name --all
卸载后，干干净净，感觉跟没发生过一样。然后再来一遍。。。
然后按照torch官方出的旧版本torch安装方法进行安装，推荐使用conda安装，具体网址：
https://pytorch.org/get-started/previous-versions/
举个栗子：
# Linux and Windows
# CUDA 11.7
conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.7 -c pytorch -c nvidia
# CUDA 11.8
conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.8 -c pytorch -c nvidia
# CPU Only
conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 cpuonly -c pytorch
该方法可以直接安装pytorch=2.0.0，并且自动配置好显卡配置，而最后一行是CPU安装方法。
GPU版本的TensorFlow安装方法
同样，也是使用codna安装。先将对应版本的cudn和cudnn，然后再安装tensorflow-gpu，可以参考下面的网站，但是仅供参考，我发现有时候并不好用，具体看运气，下面我只给出已经验证过的方法。
https://tensorflow.google.cn/install/source_windows?hl=en#gpu
tensroflow-gpu 1.15:
conda install cudatoolkit=10.0
conda install cudnn=7.3.1
pip install tensorflow-gpu==1.15
tensorflow-gpu 2.5.0:
conda install cudatoolkit=11.3
conda install cudnn=8.2.1
pip install tensorflow-gpu==2.5.0
tensorflow-gpu 2.6.0:
conda install cudatoolkit=11.4
conda install cudnn=8.2.4
pip install tensorflow-gpu==2.6.0
tensorflow-gpu 2.7.0:
conda install cudatoolkit=11.4.1
conda install cudnn=8.2.4
pip install tensorflow-gpu==2.7.0