因为最近在用Tensorflow进行学习，所以分享一下配置一些细节。

笔者配置说明:

• Inter Core i5-8400 CPU 
• GeForce GTX 1060
• Windows 10 (64位)

需要配置的环境：

• Anaconda3(64bit)
• CUDA  10.0
• cuDnn  7.6.5
• Python  3.6
• Tensorflow - gpu 1.13.1

一、 安装Anaconda3

Anaconda3的安装可以直接到其官网（https://www.anaconda.com/products/individual#windows），Anaconda3还提供了Linux和MacOS其他两个版本的下载，这里我们选择的是Windows（Python 3.8）版本的下载。

这里可能有人会疑惑为什么之前配置环境中讲得是Python 3.6，这里却下载的是Python 3.8版本的Anaconda，不要着急这里后面会仔细讲解。

下载成功后打开指定的exe安装程序。（因为笔者之前安装的不是当前官网最新版本，笔者安装的是Python 3.7版本的，这里会有些出入，但是不影响后面的安装）

这里，我们把两个都选上，第一个是加入环境变量，因为我之前安装过一次所以这里提示不要重复添加，第二个是默认的Python 3.7，然后Install。

Anaconda安装完成后，在开始程序中打开Anaconda的命令行程序Anaconda Prompt（如果遇到权限问题则建议以管理员身份打开）

打开以后就是一个和cmd类似的命令行界面，到这里Anaconda安装完成。

二、安装CUDA和cuDnn

注意这里是为安装GPU版本的Tensorflw进行的准备，如果要安装的是CPU版本的不需要安装这一步。

注意安装CUDA之前请先安装VS2015（2013或者2017也可以），关键的是要安装了单个组件项目中的适用于桌面的VC++2015.3 v14.00(140)工具集，VS的安装相信大家都会这里就不做赘述了。

CUDA是NVIDIA推出的运算平台，CuDNN是专门针对深度学习框架设计的一套GPU计算加速方案。因为CUDA是NVIDIA推出的，所以显卡是AMD的相当于是劝退了吧。CUDA的不同版本是针对不用显卡计算能力推出的，所以在选择CDUA版本时各位应该根据自己的显卡驱动选择，避免踩坑。（这里给各位po一张CUDA版本对应显卡驱动版本的表格）如果想查看显卡的算力，参考这里（https://developer.nvidia.com/cuda-gpus）。

查看自己显卡驱动版本的方法：在NVIDA控制面板中 “帮助-系统信息”

到这里我们确定了自己的显卡驱动是适合安装10.0版本的CUDA的，到官网进行下载(https://developer.nvidia.com/cuda-10.0-download-archive)。

当然如果嫌弃下载太慢，我会把配套的网盘资源放到文章最后提供下载

下载完成先解压然后直接由安装程序下载。

这一步会检查你的安装环境，一般只要你提前安装好了VS就可以通过检测继续安装。

遇到协议都同意，然后选择自定义安装，只用选择CUDA部分安装即可。

然后耐心等待安装，安装完成后用我们之前参考显卡驱动的方法，在系统信息-组件中出现以下这一信息则表示安装成功。

接下来讲解cuDnn安装，其实cuDnn就是CUDA的加速器补丁（我是这样理解的）。下载地址是(https://developer.nvidia.com/rdp/cudnn-archive)，下载cuDnn需要注册NIVDA账号，这个可能需要科学上网，不然速度会比较感人，当然对应版本(cudnn-7.6.5 for CUDA 10.0)的网盘地址我会放在最后。

下载得到的cuDnn其实就是三个文件夹，现在我们需要做的就是将cuDnn三个文件夹中的对象分别复制到你CUDA的安装目录下，我CUDA的安装地址是（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0）

当CUDA和cuDnn都安装好，这时候要注意检查系统环境变量(虽然一般来说，CUDA在安装的时候勾选了添加系统变量的选项的话会为用户自动添加)：

Path：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin

            C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\libnvvp

CUDA_PATH：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0

CUDA_PATH_V10_0：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0

Path：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64

另一个查看CUDA是否配置完成的方法：Cmd中cd至CUDA bin目录（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin），键入nvcc V查看是否配置完成。

三、配置Tensorflow的Anaconda虚拟环境

在Anaconda Prompt中（也就是之前的命令行界面），输入命令，关于conda的命令可以在这篇博客中查找（http://blog.csdn.net/fyuanfena/article/details/52080270）：

conda create -n tensorflow_gpu python=3.6

这里我们就创建了一个Python 3.6的虚拟环境（这意思Anaconda最方便的地方），为什么是3.6主要是因为Tensorflow使用3.6最稳定，想了解原因的话建议直接去GitHub。

 中间会让我们确认一下，输入个y回车就好了。安装好后会给我们提示用activate，和deactivate进行环境的切换。

​ 我们先切换到创建好的环境中：

activate tensorflow_gpu

注意这里路径前面的内容，显示我们已经进入了之前创建的tensorflow-gpu环境下。

而现在，基本环境已经配置好了，我们要安装一些重要的Python科学运算库，Anaconda已经为我们准备好的一系列常用的Python苦，例如numpy，pandas，matplotlib等等，所以我们只需要安装一次anaconda库就可以把这些库全部安装好。

conda install anaconda

四、安装Tensorflow

配置好我们的虚拟环境，接下来就是最为重要的一步安装TensorFlow，我这里只展示GPU版本的安装。

在配置之前再给各位po一张Tensorflow与CUDA版本的对应关系。

所以我们这里在刚刚激活新虚拟环境下使用命令：

conda install tensorflow-gpu == 13.0

但这个命令的问题是会重新安装CUDA和cuDnn，所以我还是比较推荐使用Python的pip方法进行安装。

因为Anaconda默认的下载源都是国外源，下载速度那是非常感人，挂了VPN有时候也能急死了，所以这里推荐先将源更改为国内的源（笔者比较习惯用的是清华的镜像）

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

同样在Anaconda命令行下输入以上命令，后面我们的安装时换成清华镜像就能快很多了。

此刻请记住需要在我们新建的环境tensorFlow-gpu中安装，而这个虚拟环境的地址一般是在（D:\Anaconda\Anaconda\envs\tensorflow_gpu），所以我一般是想在命令行状态下cd到该目录中的（D:\Anaconda\Anaconda\envs\tensorflow_gpu\Lib\site-packages），因为这里一般是存放一些第三方库的位置。输入如下命令：

pip install tensorflow-gpu==1.13.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/

安装完毕可以用如下命令查看TensorFlow是否已经安装到该环境下：

conda list

五、使用PyCharm进行测试

虽然Anaconda提供其他很多编译器路Spyder、Jupyter，使用都比较方便。但是PyCharm可以打断点Debug这点我比较喜欢，所以我一般使用的是PyCharm，这样也讲解一下然后在PyCharm中设置Anaconda中创建的虚拟环境并进行TensorFlow测试。

在 file- settings- project interpreter-add-conda environment当中，选existing environment，把对应环境路径（D:\Anaconda\Anaconda\envs\tensorflow_gpu\python.exe）加上就好了，再在对应工程里选你刚刚配置的interpreter就行。

测试代码：

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

PyCharm中调用TensorFlow成功会打印一些你的GPU信息，然后到这里你的控制台中显示了如下状态则说明你的TensorFlow最终配置成功了！

六、下载地址

VS2015  ：链接：https://pan.baidu.com/s/1rmSFJULmLeN5fkZzeCiGog   提取码：i63c

CUDA 10.0：链接：https://pan.baidu.com/s/15ctdxU9FMr49y7JkkkaLMQ   提取码：5dh1

cuDnn 7.6.5 :链接：https://pan.baidu.com/s/1ggmG3forIBb6RkqDB8yXFA    提取码：lwh7

如果有问题可以邮件我：yangy9803@163.com