tensorflow/pytorch临时指定CUDA版本，解决版本适配问题

经典的深度学习引擎，如tensorflow和pytorch，其自身版本与CUDA版本有着严格的对应关系，一点点的不符都会使得程序无法运行。

例如，我目前的默认CUDA==10.2，现在需要跑tensorflow-gpu==1.13.1的代码（要求CUDA==10.0），就会报出这样的错误：

ImportError: libcublas.so.10.0: cannot open shared object file: No such file or directory

由于复现实验时，原始代码的tensorflow/pytorch版本往往五花八门，只靠一个版本的CUDA来一招鲜吃遍天是不现实的，必然要安装多版本CUDA。

然而，指定CUDA版本也很繁琐，常规方法是开多个conda虚拟环境， 为每个环境指定一个CUDA版本，但不免繁琐。

其实，一个简单的方法就能够临时切换使用的CUDA版本，就是在执行代码前指定环境变量LD_LIBRARY_PATH为你想使用的特定版本的CUDA的路径。

例如，为run.py指定使用CUDA=10.0：

LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64 python run.py

其他版本，把cuda-10.0改成对应版本即可。