简介：我最近拿到了rtx3060，我的主要设备是笔记本电脑。 于是，就萌发了用外置显卡加速深度学习的想法。 配置中出现了一些小问题，经过调试最终解决。 我希望现在能简单地提炼出与整个过程相关的要点，帮助有同样需求的人。
笔记本电脑： Dell Precision 7540
操作系统： 20 H2 19042.985 window S10专业版工作站版
显卡扩展坞： Razer (战斗核酷睿x幻彩版)
外部显卡： nvidiageforcertx 3060 ultra WOC 12 GL
注意事项:显卡几乎都是通过pcie协议安装在电脑上的，因此外部显卡必须直接或间接连接到电脑的pcie总线上才能被电脑识别。 雷3正在通过pcie频道。 因此，支持雷电3的type-c接口可以带来外置显卡。 也就是说，使用雷蛇成功展开坞站外显卡取决于笔记本电脑上是否有雷电3或更大的接口。 如果没有雷3，也可以自己DIY扩展槽，用中继电缆连接电脑的pcie对应端口。 例如，常见的DIY计划选择用于连接无线网卡的端口，但如果断开无线网卡，则需要连接另一个usb无线网卡以保持互联网功能。 另外，如果笔记本电脑的扩展性高，即使有很多m.2硬盘的扩充口也可以使用，但无论如何，笔记本电脑的分解机容易遇到各种各样的故障，所以在这里不展开。
具体步骤1 .将硬件连接显卡插入显卡坞，用螺钉固定，连接显卡电源线和显卡坞电源线。 显卡的输出接口连接到外接显示器，确保线路无误后，可以接通显卡的电源。 雷3请先不要连接电脑。
注：请勿在视频坞站与电脑物理连接的情况下重新启动电脑。 可能会出现蓝屏。 变成蓝屏也不要慌，拔掉雷电三连接线再重新启动就行了。
2 .安装显卡驱动程序2.1 情形一。 对于只有英特尔核心显卡的笔记本电脑，直接在NVIDIA官网上下载并安装rtx3060驱动程序即可。 33558 www.Sina.com/:对于具有NVIDIA专用显卡的笔记本电脑，安装驱动程序时必须考虑笔记本电脑专用显卡与外置显卡的兼容性。 以我的笔记本电脑为例，集成显卡是Nvidia Quadro专业显卡，配置显卡驱动程序所需的操作包括： 已将外部显卡rtx3060驱动程序下载到http://www.Sina.com/nvidia官方网站(NVIDIA驱动程序下载)，驱动程序类型为studio(SD )。 断开与3358www.Sina.com/网络的连接，右键单击http://www.Sina.com/http://www.Sina.com/，然后单击http://www.Sina.com /，33http://删除http://www.Sina.com//-http://www.Sina.com/- http://www.Sina.com /电脑的原始驱动程序后，此时2.2 情形二安装的第一步下载的驱动程序； 安装2.1.1驱动程序后，专用显卡和外部显卡工作正常，此时可以重新连接到网络。2.1.2FurMark烤面包机试验
注意： geforce studio类型的驱动程序目前也支持quadro，但根据图形建模专业软件的不同，可能不如专用驱动程序那样进行优化。 这个自己斟酌吧。 如果不使用外部图形卡，也可以安装quadro图形卡的专用驱动程序。
支持RTX30显卡的Tensorflow深度学习框架3.1版组合：此电脑详细信息：显卡支持哪个版本的Tensorflow 根据网上相关经验帖，从cuda11.1以上的版本开始加速支持30系显卡的深度学习运算，这样说可能有点抽象，但是tensorflow官网的支持列表(tensorflow稳定版和cuuw
此列表可以帮助您了解版本之间的对应关系，但与显卡的关联必须与发行日期相匹配。 3060显卡于2021年1月发行。 也就是说，至少在此时间之后发布的cuda可以支持3060显卡，因此请在cuda发布网站cuda-toolkit发布网站上查看每个版本的发布日期。 如下所示。
因此，从发布时间来看，在保险方面，cuda将选择2021年6月发布的11.4或更高版本。 这个时候应该已经适应了。 对于cudnn，如图所示，选择8.1以上的版本即可。 这意味着python3.8.12 Tensorfl
ow2.6.1+cuda11.4.2+cudnn11.4的组合可以适配Rtx3060了。 3.2 配置步骤3.2.1 下载并安装cuda11.4.2(cuda-toolkit 11.4.2)
3.2.2 下载cudnn解压并复制到cuda的安装目录，cuda的目录添加到系统环境路径(cudnn下载)
3.2.3 下载并安装Anaconda(anaconda官方下载)
3.2.4 安装python3.8
3.2.5 安装tensorflow
# 进入python3.8环境activate py38# 安装tensorflow及相关包pip install numpy pandas matplotlib sklearn tensorflow -i https://pypi.doubanio.com/simple# 关闭环境deactivate3.2.6 安装并配置jupyter notebook
# 进入环境activate py38# 安装ipykernelconda install ipykernel# 把上一步安装的ipykernel写入anaconda的base环境中jupyter的内核python -m ipykernel install --user --name 环境名称 --display-name "自定义一个环境名称"# 环境名称就是当前虚拟环境的名称，即py38，自定义一个环境名称：是显示在jupyter notebook界面的内核的名字，自己起一个就行# 退出环境deactivate 3.3 测试配置环境是否成功配置好之后，进入虚拟环境打开jupyter，自己用一个神经网络脚本跑一下看看gpu能不能正常启动运行即可。测试情况：
3.1.1 任务管理器
3.2.2 训练时间
运行深度学习发现外接gpu可以正常工作，至此，外接显卡加速tensorflow环境搭建完成。
4.相关经验参考[1]Windows 10，RTX 3070安装Tensorflow及 CUDA
[2]RTX3060深度学习tensorflow环境配置之踩坑记录
[3]【踩坑教程】win10环境下RTX3050Ti安装Tensorflow-gpu2.5+CUDA11.2.1+cudnn8.1.0
[4]Jupyter Notebook 中添加 conda 虚拟环境
[5]环境篇：Anaconda安装Python