之前我們已經安裝過caffe的CPU版本，但是在MNIST手寫數字識別中，我們發現caffe的CPU版本執行速度較慢，訓練效率不高。因此，在這裡我們安裝了caffe的GPU版本，並使用GPU版本的caffe同樣對手寫MNIST數字集進行訓練。

step1: 安裝CUDA

首先需要準備好NVIDIA的顯示卡，然後下載安裝CUDA，在這裡我安裝的是CUDA8.0下載地址。CUDA的安裝過程比較簡單，在這裡不再贅述（但有些時候會出現CUDA無法安裝的問題，可能是版本不對應的問題，這時候要選擇和自己電腦版本相對於的CUDA進行安裝）。

在完成CUDA的安裝後，注意要把CUDA安裝目錄下的bin和lib\x64新增到Path環境變數中

step2：cuDNN下載

在安裝完CUDA後，下載與CUDA版本對應的cuDNN進行安裝，下載地址。

在完成cuDNN下載後，解壓壓縮包，把壓縮包中bin,include,lib中的檔案分別拷貝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0目錄下對應目錄中，完成cuDNN的安裝。

step3：修改CommonSettings.props檔案

在完成CUDA和cuDNN的安裝後，因為之前CommonSettings.props檔案中的配置的是CPU版本，因此我們需要對此進行必要的修改。

<CpuOnlyBuild>
 
false</CpuOnlyBuild>
<UseCuDNN>true</UseCuDNN>
<CudaVersion>8.0</CudaVersion>
<PythonSupport>false</PythonSupport>

step4：編譯

用VS2013開啟Caffe.sln，修改屬性後重新生成解決方案。

然後將E:\caffe-windows\python下的caffe資料夾複製到C:\Users\MyPC\Anaconda3\envs\py2\Lib\site-packages下。至此，GPU版本的caffe已經配置完畢。

step5:測試

我們可以用剛剛配置完的GPU版本caffe對之前的MNIST手寫數字集進行識別，將lenet_solver.prototxt檔案中的CPU模式改成GPU，然後執行train.bat

整個GPU訓練時間在1分鐘左右，和之前CPU訓練的速度相比加快了很多（debug版本訓練耗時一個半小時，release版本消耗十多分鐘）