目录
-
- 2.配置Anaconda环境变量
- 第二步：安装TensorFlow-GPU
- 第三步：安装CUDA Toolkit + cuDNN
- 1.查看需要安装的CUDA+cuDNN版本
- 3.安装 CUDA Toolkit 9.0 和 cuDnn 7.0
前言
配置环境，研究了一整天，踩了很多坑，在网上找了很多资料，发现基本上都没非常明确的教程，所以今天想分享一下配置tensorflow GPU版本的经验，希望能让各位朋友少走些弯路。（PS：一切的前提，你需要有一张Nvidia显卡。我的显卡是 GT940MX）
Tensorflow有两个版本：GPU和CPU版本，CPU的很好安装；GPU 版本需要 CUDA 和 cuDNN 的支持，如果你是独显+集显，那么推荐你用GPU版本的，因为GPU对矩阵运算有很好的支持，会加速程序执行！并且CUDA是Nvidia下属的程序，所以你的GPU最好是Nvidia的，AMD的显卡没有CUDA加速！满足以上条件之后，你需要查看一下你的英伟达GPU是否支持CUDA，以下是Geforce支持的目录：
你也可以
满足以上条件之后，你就可以安装Tensorflow了！
第一步：安装Anaconda
1.下载和安装
下载地址：
我系统是64位，所以下载 ，之后就是进行安装了。
和安装其他软件没有什么区别，需要注意的是这一步，不要勾选**“Add Anaconda to my PATH enviroment variable”，我们后面会手动加入。
接下来就是等待了，安装结束后需要测试是否能正常使用，打开CMD输入“conda”命令，发现提示“'conda' is not recognized as an internal or external command, operable program or batch file.”
这是由于我们没有配置环境变量的原因。
2.配置Anaconda环境变量
我们点击左下角搜索栏搜索“环境变量”
点击环境变量
选择“Path”，点击“编辑”
将以下三个路径加入，注意这里要换成你自己的安装路径。
- C:Userst-yaoguoAppDataLocalContinuumanaconda3
- C:Userst-yaoguoAppDataLocalContinuumanaconda3Scripts
- C:Userst-yaoguoAppDataLocalContinuumanaconda3Librarybin
然后点击“确定”保存，这回再测试一下，再cmd中输入“conda -V”，能正常显示版本号，证明已经配置好了。
第二步：安装TensorFlow-GPU
打开tensorflow官网：
跟着操作步骤走就可以了。
1.创建conda环境
通过调用下列命令，创建一个名为“TENSORFLOW”的CONDA环境：
conda create -n tensorflow pip python=3.5
等待相应包的安装，如果国内网络太慢的话，可以为conda设置清华源，这样速度能快一点，具体配置过程，网上查一下吧，此处不再讲述。如果看到这样的提示，就证明conda环境创建成功。
2.激活环境
通过以下命令激活CONDA环境：
activate tensorflow
这样就进入了刚创建的“tensorflow”环境。
3.安装tensorflow-gpu
安装GPU版本的tensorflow需要输入以下命令：
pip install --ignore-installed --upgrade tensorflow-gpu
如果只需要安装CPU版本的tensorflow则输入以下命令：
pip install --ignore-installed --upgrade tensorflow
这样就安装成功了。
注意：务必注意一点，在安装完TENSROFLOW后，由于我们是新创建的CONDA环境，该环境中基本上是空的，有很多包和IDE并没有安装进来，例如“IPYTHON”，“SPYDER”此时如果我们在该环境下打开SPYDER/IPYTON/JUPYTER NOTEBOOK等，会发现其实IDE使用的KERNEL并不是新建立的这个环境的KERNEL，而是“BASE”这个环境的，而“BASE”环境中我们并没有安装TENSORFLOW，所以一定无法IMPORT。这也就是为什么有很多人在安装好TENSORFLOW后仍然在IDE里无法正常使用的原因了。
通过以下命令 安装Anaconda基础包
conda install anaconda
这回，我们测试一下是否能import tensorflow
程序报错，这是由于我们虽然安装好了tensorflow-gpu，但是还需要安装CUDA Toolkit 和 cuDNN。
第三步：安装CUDA Toolkit + cuDNN
1.查看需要安装的CUDA+cuDNN版本
注意，tensorflow是在持续更新的，具体安装的CUDA和cuDNN版本需要去官网查看，要与最新版本的tensorflow匹配。
点击查看最新tensorflow支持的CUDA版本：
现在（PS：此博客书写日期 2018年7月5日）最新版tensorflow支持的是 CUDA® Toolkit 9.0 + cuDNN v7.0，一定注意，安装的版本一定一定要正确，不要看NVIDIA官网推出CUDA® Toolkit 9.2了就感觉最新版的更好，而安装最新版，这样很可能会导致tensorflow无法正常使用，所以一定要跟着tensorflow 官网的提示来。
2.下载CUDA + cuDNN
在这个网址查找CUDA已发布版本：
进入下载界面
下载好CUDA Toolkit 9.0 后，我们开始下载cuDnn 7.0，需要注意的是，下载cuDNN需要在nvidia上注册账号，使用邮箱注册就可以，免费的。登陆账号后才能下载。
cuDNN历史版本在该网址下载：
这样，我们就下载好了 CUDA Toolkit 9.0 和 cuDnn 7.0，下面我们开始安装。
3.安装 CUDA Toolkit 9.0 和 cuDnn 7.0
至关重要的一步：卸载显卡驱动
由于CUDA Toolkit需要在指定版本显卡驱动环境下才能正常使用的，所以如果我们已经安装了nvidia显卡驱动（很显然，大部分人都安装了），再安装CUDA Toolkit时，会因二者版本不兼容而导致CUDA无法正常使用，这也就是很多人安装失败的原因。而CUDA Toolkit安装包中自带与之匹配的显卡驱动，所以务必要删除电脑先前的显卡驱动。
安装
此处选择“自定义（高级）”
勾选所有
一路通过即可。
接下来，解压“cudnn-9.0-windows10-x64-v7.zip”，将一下三个文件夹，拷贝到CUDA安装的根目录下。
这样CUDA Toolkit 9.0 和 cuDnn 7.0就已经安装了，下面要进行环境变量的配置。
配置环境变量
将下面四个路径加入到环境变量中，注意要换成自己的安装路径。
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv9.0C:Program FilesNVIDIA GPU Computing ToolkitCUDAv9.0binC:Program FilesNVIDIA GPU Computing ToolkitCUDAv9.0libx64C:Program FilesNVIDIA GPU Computing ToolkitCUDAv9.0libnvvp
到此，全部的安装步骤都已经完成，这回我们测试一下。
第四步：测试
1.查看是否使用GPU
import tensorflow as tftf.test.gpu_device_name()
2.查看在使用哪个GPU
from tensorflow.python.client import device_libdevice_lib.list_local_devices()
好了大功告成！
希望这篇博文能给大家带来帮助，如有任何错误，欢迎指教交流。