前面买GPU主要是为了接触一下深度学习（HPE服务器通过显卡直通安装Tesla M4，这算亮机成功了吗？），经过了解，深度学习除了支持Linux系统之外，还支持Windows和macOS系统，那这么看，我完全可以在安装好了驱动的Windows系统上试一下（切换到WDDM模式，Tesla M4可以用于本地显示输出了！）。
而且，为了测试显卡的算力，我打算用比较流行的机器学习库TensorFlow来做个简单测试，TensorFlow提供了一些基准测试脚本，我们可以用它们来比较不同硬件平台上的模型训练速度，并且可以通过设置不同的参数来测试CPU和GPU的性能。
一般来讲，深度学习中广泛使用Python编程语言，跑深度学习就要安装Python，我们可以参考之前的案例自行安装Python（Python办公自动化—环境搭建），并确保安装了常用的科学计算库，如NumPy、Pandas和Matplotlib。当然，我们也可以使用Anaconda等Python发行版来简化库的管理，然后再使用Anaconda来安装深度学习框架TensorFlow，或者PyTorch、Keras等框架。
首先，我们打开Anaconda官网（https://www.anaconda.com/），点击右上角的“Free Download”进入到下载页面。
或者直接打开下载页面（https://www.anaconda.com/download），选择适合自己电脑版本的Anaconda进行下载安装，比如我就选择默认的Windows版本。
安装包比较大，有1 GB多点，可能会下载比较慢，自己想想办法，比如用迅雷下载。下载完成后就可以开始安装了。
首屏直接点击“Next”继续安装。
点击“I Agree”同意用户协议。
确认安装可用的用户，默认选择为所有用户。
软件的占用空间还是比较大的，大约是5.7 GB，实际安装下来，空间大概要8 GB左右。
确认安装选项，点击“Install”开始安装。
然后就是比较漫长的安装过程，静待安装结束。
最后，点击“Finish”完成安装。
安装完成之后，打开Anaconda Navigator，进入“Environment”查看环境配置。
我们可以看到，Anaconda已经自动安装了包括Python在内的519个软件包，其中Python的版本为3.11.5，提示有可用更新，目前的最新版本应该是3.12.0，我们查看一下Python的版本确认一下。
然后我们点击页面下方的“Create”来创建一个新环境，指定名称，并选择已经安装的Python版本，点击“Create”完成创建。
可以看到，新的环境创建完成之后，仅仅包含了15个软件包。
然后点击新环境后面的启动按钮，选择“Open Terminal”打开命令行终端。
然后输入以下命令来激活testtensorflow环境：
activate testtensorflow
安装TensorFlow Benchmarks需要先安装TensorFlow，接下来，在激活的testtensorflow环境下，使用以下命令来安装TensorFlow。
pip install tensorflow
软件包比较大，可能需要比较长的时间。
安装完成后，还是点击新环境后面的启动按钮，这次选择“Open with Python”进入Python视图，输入以下命令检测GPU状态。
import tensorflow as tf tf.test.is_gpu_available()
完蛋，应该就是之前修改GPU的工作模式为WDDM导致的（切换到WDDM模式，Tesla M4可以用于本地显示输出了！）。
这下好了，遗留两个问题，一是pip安装的下载速度太慢，二是要修改GPU的工作模式为TCC，或者说是不修改工作模式为WDDM，我们下次再试一下。
