最近由於論文需要，急需搭建Tensorflow環境，16年底當時Tensorflow版本號還沒有過1，我曾按照手冊搭建過CPU版本。目前，1.7算是比較新的版本了（也可以從原始碼編譯1.8版本的Tensorflow）。
安裝步驟：
不能急於求成，安裝任何東西前都應該先閱讀使用者手冊與FAQ，弄清軟體依賴與安裝步驟。對於Tensorflow來說，官網有時上不去，建議關注Tensorflow的GitHub（https://github.com/tensorflow/tensorflow）,GitHub上只是指明瞭Python版本，對於CUDA和cuDNN並沒有過多的說明，但是在releases頁面，尤其是Tensorflow1.7部分做了如下說明：

• Tensorflow 1.7 may be the last time we support CUDA versions below 8.0.Starting with Tensorflow 1.8 release, 8.0 will be the minimum supported version.
• Tensorflow 1.7 may be the last time we support cuDNN versions below 6.0. Starting with Tensorflow 1.8 release, 6.0 will be the minimum supported version.

如果大家不願意深究下去，我的建議是：

• 沒有GPU或者GPU算力達不到3.0的（帶GPU加速的Tensorflow版本依賴cuDNN，而cuDNN又需要3.0算力的GPU支援），果斷選擇linux，因為在linux下，Python可選擇的版本更多。
• 有GPU，並且符合算力3.0以上的要求，建議考慮windows平臺，當然，也可以選linux，但是驅動相關問題需要自己解決，尤其是涉及到雙顯示卡的筆記本時，比較麻煩，我在本文後面給出了一個FAQ，專門討論英偉達相關驅動問題。

平臺與驅動問題解決後，下面就是下載Tensorflow和對應的Python開發環境了，有一點，谷歌做的不錯——Tensorflow直接是一個whl格式的Python包。很多教程是讓人下載Anaconda整合開發環境，我給出的建議是：如果你只是想安裝一個Python版本，並且沒什麼非常特別的需求話，可以不用安裝Anaconda，如果你在linux下進行開發，我倒是比較推薦Anaconda，畢竟可以省去不少事！這裡要說一下，tensorflow的GitHub上給出的windows+GPU 1.7版本只有Python3.5與3.6可選，如果你非要用Python2，那就只能選linux了~而在另外一個whl包聚集地：

TensorFlow, computation using data flow graphs for scalable machine learning.The CUDA builds require CUDA 8 and CUDNN 6.

當Python安裝好並且下載好Tensorflow的whl包後，先不要急著安裝，由於Python在安裝包時會自動解決依賴問題，因而，在安裝Tensorflow過程中總是會聯網下載一些依賴包，為了讓下載更加快一些，首先需要更換pip源，國內pip源我比較推薦清華的，直接同步的官方源，極少出問題。換源的方法很簡單：windows下，直接在user目錄中建立一個pip目錄，如：C:\Users\使用者名稱\pip，新建檔案pip.ini，內容如下:

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

至此，我們轉到Tensorflow對應的whl檔案目錄下，直接一句pip install xxxx.whl剩下的就讓計算機處理吧~~~~~~~
因為換了源，速度不會太差，幾分鐘就裝好了~~~~
現在不要太高興，目前，不少人安裝後不能用Tensorflow，有各種問題，現在先放出一段程式碼，用來測試，程式碼是網上找到的。

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
#輸出Hello, TensorFlow!
a = tf.constant(10)
b = tf.constant(32)
print(sess.run(a + b))
#輸出42

下面這段程式碼是測試GPU版本的Tensorflow的。

import numpy
import tensorflow as tf
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
print(sess.run(c))

輸出結果會包含GPU資訊~

FAQ
Q：顯示卡驅動，CUDA tool，cuDNN三者有何關係？安裝有無先後順序？
A：關於顯示卡，英偉達很多時候說的不明不白。實際上，你下載某個驅動，驅動自身大多數時候是自帶CUDA的，是的，沒錯，但是驅動自帶的CUDA卻像是少了很多東西，也找不到CUDA專門的資料夾，比較靠譜的一種說法是：正確安裝顯示卡驅動後會自帶一個精簡的CUDA呼叫介面，以供諸如CAD等一系列軟體呼叫。就我使用過程來說，Caffe框架可以直接用這個精簡介面，而不需要單獨安裝CUDA tool。但是，如果你需要開發獨立的CUDA程式，或者必須找到CUDA工具檔案目錄，那CUDA tool你是必須安裝的，而且，英偉達有一個坑爹的設定：CUDA tool自帶一個匹配驅動，這就出問題了，一般我們拿到電腦後，都是先安裝驅動的，這樣一來，兩者很可能衝突，事實上，也確實出現過這類問題，比較有名的就是GTX10顯示卡安裝CUDA出錯問題，目前英偉達應該已經解決了。我的建議是，如果你必須使用CUDA tool，保險起見，解除安裝原有驅動，直接安裝CUDA tool，這樣一來問題就會少很多。另外，cuDNN不會直接安裝，需要單獨下載，而且cuDNN其實就是.h標頭檔案，.lib庫檔案以及一個.dll檔案，只要把這三個檔案放到CUDA對應的目錄下就可以了，環境變數需要相關設定。
Q：安裝完測試時報錯：No module named "_pywrap_tensorflow" DLL load failed.
A：這個問題有很多種說法，比如什麼CUDA與cuDNN版本不匹配，缺少微軟MSVCP140.DLL，cuDNN安裝後是否正確設定了環境變數······
目前來看，前兩種可能性不大，因為cuDNN在下載時已經明確了CUDA版本，微軟的那個東西，上述安裝過程根本沒裝，最後一個也很容易處理···不細說了，總之按照上述安裝方法，沒有任何報錯問題～
Q：請詳細說一下cuDNN安裝過程
A：看英文：

Copy CuDNN files to Nvidia CUDA toolkit folder (usually is located on C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0)
copy cudnn\bin\cudnn64_5.dll to C:\Program Files\NVIDIA GPU ComputingToolkit\CUDA\v8.0\bin 
copy cudnn\include\cudnn.h to C:\ProgramFiles\NVIDIA GPU Computing Toolkit\CUDA\v8.0\include 
copy cudnn\lib\x64\cudnn.lib to C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64

CUDA在安裝過程中已經自動加入環境變量了，所以，cuDNN不用額外設定，直接複製檔案就可以了。
Q：如何獲得Tensorflow的歷史版本？
A：可以從pypi的官方倉庫查詢：https://pypi.org/ 查詢tensorflow-gpu，或者tensorflow