首先是系統配置：

• OS：Windows Server 2012 R2(相當於Windows 8)
• GPU：NVIDIA Quadro K1200

然後是各種軟體版本：

• git 2.14
• Visual Studio 2015
• CUDA 8.0.61
• cuDNN 6.0
• Anaconda3-4.2.0(此版本非最新版本，之所以使用是因為其預設python版本為3.5.2)
• cmake 3.9.1
• swig 3.0.12

一、安裝CUDA

0. 首先需要在cuda-gpus檢查電腦的GPU是否支援cuda程式設計，要求Compute Capability 3.0及以上。

1. 安裝Visual Studio 2015(需要在CUDA之前安裝好)

2. 安裝CUDA toolkit 8.0(推薦下載離線版本)

3. 解壓下載好的cuDNN,將其中的 bin、include、lib 覆蓋到CUDA的安裝目錄

二、安裝tensorflow-gpu

1. 安裝anaconda

2. 進入python3.5環境，通過以下命令安裝tensorflow-gpu:

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

3. 如果遇到各種lib、dll缺失的問題，可以嘗試通過新增對應的路徑到path中來解決

• 在CUDA_PATH後面新增bin和lib\x64路徑
• 將cudnn64_7改為cudnn64_6

4. 測試程式碼

如下：

#Creates a graph.
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)
#Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
#Runs the op.
print sess.run(c)
 

三、編譯tensorflow-gpu

一些說明：使用pip或anaconda等方式安裝的預編譯好的tensorflow沒有AVX2指令集加速，通過手動編譯可以更好的利用GPU。但是如果沒有AVX或者GPU的話，手動編譯幾乎沒有優勢。

官方只提供了Ubuntu和Mac OS X的編譯支援，在Windows下可以通過Bazel和CMake兩種方式進行編譯，但只是 “highly experimental”，可能會遇到各種錯誤。下面使用CMake來進行編譯。

0. 進行編譯之前安裝一下軟體：

• Cmake 3.5以上
• Git
• swig

swig安裝方法：

2 解壓 .zip 檔案到目錄，比如：D:\backupsoftware

3 新增環境變數到path， 比如： D:\backupsoftware\swigwin-2.0.9

4 新增環境變數 JAVA_INCLUDE 和 JAVA_BIN

JAVA_INCLUDE : Set this to the directory containing jni.h
JAVA_BIN : Set this to the bin directory containing javac.exe

Example using JDK1.3:
JAVA_INCLUDE: D:\jdk1.3\include
JAVA_BIN: D:\jdk1.3\bin

Note：D:\backupsoftware\swigwin-2.0.9 下面有 swig.exe 檔案，注意這個目錄。

簡單測試安裝是否成功：

開啟Dos，在命令列執行： swig --help, 顯示 Target Language Options即表明安裝成功。

Windows下的額外要求：

• Visual Studio 2015
• Python 3.5
• Numpy 1.11.0 or later

1. 設定環境變數

命令列執行：setPreferredToolArchitecture=x64

• 進入目錄 C:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\，執行命令 vcvarsall amd64，從64位命令列編譯到64位的目標平臺。執行這一步可以避免編譯的時候出現記憶體不足的錯誤。
• 將CUDA dlls和cuDNN dll新增到環境變數： 
• C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin
  cudnn-8.0-windows7-x64-v7\cuda\bin
• 將Cmake和git新增到環境變數 
  CMake\bin

2. 下載 Tensorflow原始碼, 選擇版本r1.6，然後下載，

在其中的 tensorflow\tensorflow\contrib\cmake 目錄下新建 build 目錄，用於存放編譯結果。

D:\temp> git clone https://github.com/tensorflow/tensorflow.git
D:\temp> cd tensorflow\tensorflow\contrib\cmake
D:\temp\tensorflow\tensorflow\contrib\cmake> mkdir build
D:\temp\tensorflow\tensorflow\contrib\cmake> cd build
D:\temp\tensorflow\tensorflow\contrib\cmake\build>

3. 呼叫cmake來產生Visual Studio solution 和project files.

D:\...\build> cmake .. -A x64 -T host=x64 -DCMAKE_BUILD_TYPE=Release ^
-DSWIG_EXECUTABLE=D:/soft/swigwin-3.0.12/swig.exe ^
-DPYTHON_EXECUTABLE=D:/ProgramData/Miniconda3/python.exe ^
-DPYTHON_LIBRARIES=D:/ProgramData/Miniconda3/libs/python36.lib ^
-Dtensorflow_ENABLE_GPU=ON ^
-DCUDNN_HOME="D:\soft\python\cudnn7"
如果編譯庫，需要加這個引數：-Dtensorflow_BUILD_SHARED_LIB=ON

如果有NVIDIA顯示卡，且安裝好了cuDNN,那麼可以新增以下引數：

More? -Dtensorflow_ENABLE_GPU=ON ^
More? -DCUDNN_HOME="D:\...\cudnn"

4. 呼叫MSBiuld來編譯Tensorflow

使用以下命令產生.whl檔案

D:\...\build> MSBuild /p:Configuration=Release tf_python_build_pip_package.vcxproj

還有一種命令： MSBuild /p:Configuration=Release /p:Platform=x64 tf_python_build_pip_package.vcxproj

編譯成功後，whl路徑；

D:\soft\tensorflow-r1.6\tensorflow\contrib\cmake\build\tf_python\dist

遇到的問題：

點選生成解決方案，編譯的時間很長，我的膝上型電腦編譯一次大概3到4個小時，編譯到最後一般都會報錯

fatal error C1060: compiler is out of heap space 沒關係，等待整個工程全部編譯完成（據說記憶體特別大的電腦不會報）

• error C2001: newline in constant 
  開啟對應的檔案發現出現了亂碼，google之後發現可以通過修改locale為 英語(美國) 來解決。
• 編譯過程中下載失敗或者 git clone緩慢 
  使用命令 nslookup 查詢失效ip(github.global.ssl.fastly.net,storage.googleapis.com等)，修改host檔案。完了之後 ipconfig /flushdns。當然也可以嘗試手動下載到對應的目錄。