%%——2018/5/3更新——–%%
現在回頭來看，我之前寫的這篇在win10下安裝gpu版本的tensorflow貌似寫得有點複雜了…
現在來總結一下：
裝gpu版本的tensorflow需要以下一些準備：

• 需要安裝cuda以及對應的cudnn，cuda 8.0對應cudnn v6.0；cuda 9.0對應 cudnn v7.0，具體安裝看我下面的原部落格。下載的話直接官網下載就好啦
• 以上兩條準備好了的話，gpu版本的tensorflow就容易安裝了。1，官網下載python版本安裝好後，直接使用pip install tensorflow-gpu就好啦，注意這裡的程式碼預設安裝最新版本的tensorflow，目前最新版本是1.7.0，如果想安裝指定版本的tensorflow如1.5.0，使用pip install tensorflow-gpu==1.5.0
  就好啦。2，我一般喜歡在anaconda下安裝tensorflow，因為anaconda會自帶許多常用的第三方包，省去了日後安裝的麻煩，如果使用anaconda來安裝tensorflow，那麼在安裝anaconda後，同樣使用pip install tensorflow-gpu==1.5.0就可以啦。

以下是原文：

之前由於電腦效能原因（顯示卡是A卡不能用cuda進行gpu加速），全憑興趣在Ubuntu 16.04下用anaconda裝了cpu版本的TensorFlow。具體參考我這篇部落格。

最近由於專案需要，要用到深度學習相關內容。從導師那兒拿了一塊N卡替換掉了我那不能進行cuda加速的A卡。自己電腦是Ubuntu 16.04和win10雙系統，但是平時科研也是win10用的多，且TensorFlow和Keras深度學習框架也都支援Windows，所以打算在win 10下配置gpu版的TensorFlow和Keras深度學習平臺（主流深度學習框架參考我

這篇部落格）。具體流程如下：

整個python深度學習架構圖如下所示：

我的安裝配置資訊：
系統：win10 64位
顯示卡：NVIDIA Quadro M2000
語言：python（anaconda）
cuda加速：CUDA® Toolkit 8.0+cuDNN v6.0
深度學習框架：TensorFlow+Keras

注：電腦上最好有一款visual studio 版本，我電腦上安裝的有vs 2015和vs2017

好。接下來是安裝流程：

1. 安裝CUDA® Toolkit 8.0+cuDNN v6.0

先確認自己的電腦是N卡及其型號，顯示卡的計算能力需要大於等於3.0，在

這個網站檢視自己電腦顯示卡的計算能力。
1.1 下載CUDA Toolkit 8.0，我這裡下載的是2017年2月更新的GA2版本，下載連結：https://developer.nvidia.com/cuda-toolkit-archive
具體資訊如下圖：

1.2 下載對應的cuDNN v6.0，下載連結：https://developer.nvidia.com/rdp/cudnn-download
具體資訊如下圖：



1.3 安裝CUDA® Toolkit 8.0，按照它的提示安裝就好，提示選擇路徑時可以選擇自己想要安裝的路徑。這個路徑並不是安裝路徑，安裝路徑是預設安裝在c盤的。安裝過程中會預設安裝它自帶的驅動，安裝就好，這個時候可能會安裝錯誤，我這裡的解決辦法是把之前安裝的那些N卡驅動統統給解除安裝掉再安裝就可以了。安裝完後，環境變數不需要自己新增，它已經給你新增好了。然後解壓cuDNN v6.0，解壓後得到一個cuda資料夾，裡面有3個子資料夾，將這3個資料夾複製到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0下與原有的3個資料夾進行合併即可。

測試安裝結果：
開啟命令提示符，輸入：nvcc -V
如果有提示安裝資訊，就說明大致是安裝成功了。

但是，這樣並不代表安裝成功了。等把CUDA_Samples示例編譯通過不報錯了，才能算是成功。這個網上有示例，這裡不再贅述。

2. 安裝anaconda整合環境

2.1 去官網下載windows版本的Anaconda，我這裡下載的是目前最新版本，Anaconda 5.0.1（python 3.6）。

2.2 安裝anaconda：按照提示一步步安裝就好，安裝過程中會提示要不要新增環境變數，那個鉤預設是沒有鉤上的，我這裡選擇了把它鉤上，這樣後面就不需要我們手動去新增環境變量了。

2.3 安裝完畢後，在控制檯輸入pyhon顯示提示資訊則安裝成功。如下圖所示：

3. 安裝gpu版本的tensorflow

3.1 按照官網的提示，先生成TensorFlow的一個環境，目前TensorFlow已經支援python 3.6，我這裡生成TensorFlow環境還是選擇了python 3.5，考慮到python 3.5比較穩定。
生成TensorFlow環境使用如下程式碼：

conda create -n tensorflow-gpu python=3.5 

具體如下圖所示：

這裡我們能看見一些生成TensorFlow環境需要額外安裝的依賴包，還可以看見裡面有我們熟悉的python 3.5版本。輸入y進行下載安裝，速度比較慢，慢慢等…

3.2 安裝完成後，在電腦開始選單中找到安裝anaconda附帶安裝的Anaconda Navigator這個軟體開啟，在左邊那一欄找到Environments，這時可以環境我們建立的tensorflow-gpu環境已經生成。如下圖所示：

預設環境是root環境，我們建立的tensorflow-gpu環境目前還僅僅有少有的幾個包，其中包括包管理pip，待會兒我們會用該工具安裝tensorf，以後我們在tensorflow-gpu環境下安裝的包都會顯示該環境下。

3.3 安裝gpu版本的tensorflow-gpu：建立tensorflow環境後，每次需要在該環境下工作，我們需要先啟用它，使用如下程式碼：

activate tensorflow-gpu

不用時退回到root環境使用如下程式碼：

deactivate tensorflow-gpu

好，現在我們開始裝tensorflow，先使用以上命令啟用tensorflow-gpu環境。

cpu版本的tensorflow輸入以下命令：

pip install --ignore-installed --upgrade tensorflow 

gpu版本的tensorflo輸入以下命令：

pip install --ignore-installed --upgrade tensorflow-gpu

如下圖所示：

提示正在下載tensorfl_gpu，耐心等待下載安裝就行。

到這裡gpu版本的tensorflow就安裝完了，接下來測試是否安裝成功：
在控制檯先後輸入以下測試程式碼，不出錯就表示安裝成功了：

>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))

如下圖所示：

3.4 安裝spyder IDE：一款好的IDE能給專案開發帶來極大的便利，接下來我們在tensorflow-gpu環境下安裝spyder，啟用tensorflo-gpu環境後在控制檯使用包管理器conda安裝spyder如下所示：

conda install spyder

然後會相應的安裝一連串的依賴包，按照提示輸入y安裝即可，接下來就是漫長的等待時間…

這時我們開啟Anaconda Navigator，切換到tensorflow-gpu環境就可以看見我們已經在該環境下安裝了依賴的許多包，接下來我們開啟soyder測試tensorflow是否安裝成功，如下圖所示：

到這裡基於cuda加速的tensorflow就算安裝完了，接下來基於此安裝Keras深度學習框架

4. 安裝Keras

安裝套路和安裝其他包一樣套路相似，在控制檯先啟用tensorflow-gpu：activate tensorflow-gpu，然後使用pip安裝即可，pip install keras。

注：這裡使用pip安裝而不是使用conda，原因是使用conda安裝會預設安裝cpu版本的tensorflow，如下圖所示：
使用conda安裝會提示安裝其他依賴包，如下圖所示；這其中就包括cpu版本的tensorflow，這是我們不想要的。

接下來可以在spyder裡import Keras，沒出錯就表明安裝成功了。

好，到這裡基於cuda加速的tensorflow+keras深度學習框架就安裝完成了。