版權聲明：本文為部落客原創文章，轉載請表明本文出處。 https://blog.csdn.net/kebi199312/article/details/86549637
下述方法沒有采用在Anaconda環境下安裝Tensorflow-gpu，而是在windows PowerShell裡用pip install安裝Tensorflow-gpu
配置環境
win7旗艦版，處理器：i5-7500 [email protected]，記憶體8GB，64位作業系統
顯示卡：GeForce GTX 1050
VS2013
部落客在安裝Tensorflow-gpu時，沒有具體檢視Tensorflow-gpu版本以及對應的CUDA、cuDNN，導緻出現了很多錯誤，在試過很多次後，發現Tensorflow-gpu 1.8.0與CUDA9.0、cuDNN7.1.4安裝成功，且能完美運作！
1、安裝python
Python安裝3.5.2的比較合适，安裝時記得勾上add python to Path 選項，同時把Python的安裝路徑添加到系統環境變量的Path變量中。
安裝完成後，打開windows PowerShell，輸入“python”，可以檢視python的版本。
2、安裝CUDA9.0
在安裝CUDA時，應先檢視NVIDIA的屬性，選擇适當的CUDA版本。打開“NVIDIA 控制台”--“系統消息”--“元件”，可以檢視NVIDIA 支援的CUDA版本。
這裡選擇安裝CUDA9.0，CUDA9.0的下載下傳位址：https://developer.nvidia.com/cuda-90-download-archive。
安裝時選擇自定義安裝，安裝位置自定，我的安裝位置如下(下面的環境變量設定都是基于我的安裝位置)：
CUDA Development:E:\Program files\NVIDIA\CUDA Documentation Development\v9.0
Samples:E:\Program files\NVIDIA\CUDA Samples\v9.0
CUDA Documentation:E:\Program files\NVIDIA\CUDA Documentation Development\v9.0
安裝完成後，可以看到系統環境變量會出現CUDA_PATH；但是這樣不能直接通路CUDAbin和lib\x64下的程式包，是以還需添加兩個路徑：
E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\bin;
E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\lib\x64
為了驗證CUDA是否安裝成功：
第一種：打開cmd在指令行輸入：nvcc –V，出現即為安裝成功：
第二種：編譯cuda9.0自帶的samples，用vs2013打開Samples_vs2013.sln，在Release下，選中解決方案Samples_vs2013進行編譯
第三種，指令行中運作C:\Program Files\NVIDIA Corporation\NVSMI\nvidia-smi.exe，可以得到GPU運作時的監測界面，則CUDA安裝成功
同時我們還需要在環境變量中添加如下幾個變量：
CUDA_SDK_PATH = E:\Program files\NVIDIA\CUDA Samples\v9.0
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64
3.安裝Tensorflow-gpu
接下來就是利用pip安裝Tensorflow-gpu，指令行工具用管理者身份打開windows Power shell，輸入pip install tensorflow-gpu==1.8.0，或者下載下傳好離線的.whl檔案，打開指令行，cd到.whl的檔案目錄，再用pip安裝，如下圖所示。
pip install tensorflow_gpu-1.8.0-cp35-cp35m-win_amd64.whl
安裝完成後，驗證tensorflow-gpu是否安裝成功，激活python環境，輸入：import tensorflow as tf，沒有報錯即為成功！
檢視tensorflow的版本，激活python環境，輸入tf.__version__，即可檢視：
4、安裝cuDNN7.1.4
在NVIDIA官網下載下傳cuDNN7.1.4，需要新增賬號，下載下傳完後解壓縮，會生成cuda/include、cuda/lib、cuda/bin三個目錄，分别将cuda/include、cuda/lib、cuda/bin三個目錄中的内容複制到E:\Program files\NVIDIA\CUDA Documentation Development\v9.0對應的include、lib、bin目錄下即可。
驗證cuDNN是否安裝成功：建立c++檔案，複制如下代碼：
#include <iostream>
#include <cuda_runtime.h>
#include <cudnn.h>
using namespace std;
void main()
{
cudnnHandle_t handle;
cudnnStatus_t t = cudnnCreate(&handle);
cout << cudnnGetErrorString(t);
getchar();
}
在項目的屬性裡輸入如下路徑：
包含目錄配置：E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\bin
庫目錄裡配置：E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\lib\x64
連結器—輸入，配置cudnn.lib；
調試出現：CUDNN_STATUS_SUCCESS，則cudnn安裝成功了。
為了驗證Tensorflow-gpu與CUDA9.0和cuDNN 是否比對成功，運作python檔案，出現下圖資訊，即運作gpu成功！
至此，Tensorflow-gpu 1.8.0、CUDA9.0及對應cuDNN 7.1.4安裝且配置成功。使用GPU計算是深度學習計算的基礎，配置成功以後，深度學習計算速度使用GPU将更快了。
出現的問題
寫在最後，出現的問題彙總：
- Tensorflow1.11.0 版本及以上版本會讓 CuDNN 7.0.5 報錯；
- Tensorflow-gpu 1.12.0與CUDA9.0、cuDNN7.1.4安裝能成功，但是運作有些程式的時候會報錯：
Loaded runtime CuDNN library: 7.1.4 but source was compiled with: 7.2.1
也就是需要安裝cuDNN7.2.1，也可把tensorflow-gpu 降級:
pip install --upgrade --force-reinstall tensorflow-gpu==1.x.0
x是對應的tensorflow-gpu的版本；
- 安裝tensorflow-gpu時盡量安裝低版本。