win10下基于python（anaconda）安装gpu版本的TensorFlow以及kears深度学习框架

---

最近由于项目需要，要用到深度学习相关内容。从导师那儿拿了一块N卡替换掉了我那不能进行cuda加速的A卡。自己电脑是Ubuntu 16.04和win10双系统，但是平时科研也是win10用的多，且TensorFlow和Keras深度学习框架也都支持Windows，所以打算在win 10下配置gpu版的TensorFlow和Keras深度学习平台（主流深度学习框架参考我这篇博客）。具体流程如下：

整个python深度学习架构图如下所示：

我的安装配置信息：
系统：win10 64位
显卡：NVIDIA Quadro M2000
语言：python（anaconda）
cuda加速：CUDA® Toolkit 8.0+cuDNN v6.0
深度学习框架：TensorFlow+Keras

注：电脑上最好有一款visual studio 版本，我电脑上安装的有vs 2015和vs2017

好。接下来是安装流程：

---

1. 安装CUDA® Toolkit 8.0+cuDNN v6.0

先确认自己的电脑是N卡及其型号，显卡的计算能力需要大于等于3.0，在这个网站查看自己电脑显卡的计算能力。
1.1 下载CUDA Toolkit 8.0，我这里下载的是2017年2月更新的GA2版本，下载链接：https://developer./cuda-toolkit-archive
具体信息如下图：

1.2 下载对应的cuDNN v6.0，下载链接：https://developer./rdp/cudnn-download
具体信息如下图：



1.3 安装CUDA® Toolkit 8.0，按照它的提示安装就好，提示选择路径时可以选择自己想要安装的路径。这个路径并不是安装路径，安装路径是默认安装在c盘的。安装过程中会默认安装它自带的驱动，安装就好，这个时候可能会安装错误，我这里的解决办法是把之前安装的那些N卡驱动统统给卸载掉再安装就可以了。安装完后，环境变量不需要自己添加，它已经给你添加好了。然后解压cuDNN v6.0，解压后得到一个cuda文件夹，里面有3个子文件夹，将这3个文件夹复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0下与原有的3个文件夹进行合并即可。

测试安装结果：
打开命令提示符，输入：nvcc -V
如果有提示安装信息，就说明大致是安装成功了。

但是，这样并不代表安装成功了。等把CUDA_Samples示例编译通过不报错了，才能算是成功。这个网上有示例，这里不再赘述。

---

2. 安装anaconda集成环境

2.1 去官网下载windows版本的Anaconda，我这里下载的是目前最新版本，Anaconda 5.0.1（python 3.6）。

2.2 安装anaconda：按照提示一步步安装就好，安装过程中会提示要不要添加环境变量，那个钩默认是没有钩上的，我这里选择了把它钩上，这样后面就不需要我们手动去添加环境变量了。

2.3 安装完毕后，在控制台输入pyhon显示提示信息则安装成功。如下图所示：

---

3. 安装gpu版本的tensorflow

3.1 按照官网的提示，先生成TensorFlow的一个环境，目前TensorFlow已经支持python 3.6，我这里生成TensorFlow环境还是选择了python 3.5，考虑到python 3.5比较稳定。
生成TensorFlow环境使用如下代码：

conda create -n tensorflow-gpu python=3.5 
1

具体如下图所示：

这里我们能看见一些生成TensorFlow环境需要额外安装的依赖包，还可以看见里面有我们熟悉的python 3.5版本。输入y进行下载安装，速度比较慢，慢慢等…

3.2 安装完成后，在电脑开始菜单中找到安装anaconda附带安装的Anaconda Navigator这个软件打开，在左边那一栏找到Environments，这时可以环境我们建立的tensorflow-gpu环境已经生成。如下图所示：

默认环境是root环境，我们建立的tensorflow-gpu环境目前还仅仅有少有的几个包，其中包括包管理pip，待会儿我们会用该工具安装tensorf，以后我们在tensorflow-gpu环境下安装的包都会显示该环境下。

3.3 安装gpu版本的tensorflow-gpu：建立tensorflow环境后，每次需要在该环境下工作，我们需要先激活它，使用如下代码：

activate tensorflow-gpu
1

不用时退回到root环境使用如下代码：

deactivate tensorflow-gpu
1

好，现在我们开始装tensorflow，先使用以上命令激活tensorflow-gpu环境。

cpu版本的tensorflow输入以下命令：

pip install --ignore-installed --upgrade tensorflow 
1

gpu版本的tensorflo输入以下命令：

pip install --ignore-installed --upgrade tensorflow-gpu
1

如下图所示：

提示正在下载tensorfl_gpu，耐心等待下载安装就行。

到这里gpu版本的tensorflow就安装完了，接下来测试是否安装成功：
在控制台先后输入以下测试代码，不出错就表示安装成功了：

>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
1
2
3
4

如下图所示：

3.4 安装spyder IDE：一款好的IDE能给项目开发带来极大的便利，接下来我们在tensorflow-gpu环境下安装spyder，激活tensorflo-gpu环境后在控制台使用包管理器conda安装spyder如下所示：

conda install spyder
1

然后会相应的安装一连串的依赖包，按照提示输入y安装即可，接下来就是漫长的等待时间…

这时我们打开Anaconda Navigator，切换到tensorflow-gpu环境就可以看见我们已经在该环境下安装了依赖的许多包，接下来我们打开soyder测试tensorflow是否安装成功，如下图所示：

到这里基于cuda加速的tensorflow就算安装完了，接下来基于此安装Keras深度学习框架

---

4. 安装Keras

安装套路和安装其他包一样套路相似，在控制台先激活tensorflow-gpu：activate tensorflow-gpu，然后使用pip安装即可，pip install keras。

注：这里使用pip安装而不是使用conda，原因是使用conda安装会默认安装cpu版本的tensorflow，如下图所示：
使用conda安装会提示安装其他依赖包，如下图所示；这其中就包括cpu版本的tensorflow，这是我们不想要的。