win10完整Tensorflow-GPU环境搭建教程-附CUDA+cuDNN安装过程
最近一直想要用GPU训练一个五子棋AI，无奈自己的笔记本是A卡，速度太慢，计算一局需要7、8分钟。所以在之前安了Ubuntu虚拟机，使用了ROCm框架，训练速度提升为一局1、2分钟，但其实速度还是很慢。这两天实验室老师拿来了一台主机，配置：Nvidia 显卡，GeForce GTX1660。所以就想安一下GPU，安了一下午，终于可以调用GPU训练了，速度为1分钟12局。。。真是舒服了。
1.查看你的显卡是否支持GPU
点击查看显卡是否支持GPU
满足之后就可以进行下面的步骤了。
2.安装python环境
其实大家知道，安装python环境可以直接安装，也可以通过Anaconda安装，Anaconda安装时候需要注意你想要安装python版本，如果不想要默认自带的python版本，就不要勾选
建议不要勾选把path直接加入到环境变量中：
安装好之后，打开Anaconda命令行，输入conda -V，如果输出是你所安的版本，即为成功。
3.安装Tensorflow-GPU
可以打开tensorflow官网：https://www.tensorflow.org/install/install_windows#installing_with_anaconda ，可以了解下官网上有详细的教程。
我是新建了一个名为“tensorflow”的conda环境：版本可以自选，要注意tensorflow-GPU与python版本对应
conda create -n tensorflow pip python=3.6
推荐更换国内的源，速度会快很多的。
然后要激活环境，才能继续在这个环境下安装tensorflow-GPU。当然你也可以不新建一个环境，直接就在anaconda环境下安装也是可以的。
activate tensorflow
下面进行安装tensorflow-GPU，虽然换源了，但你会发现下载还是会很慢。
pip install --ignore-installed --upgrade tensorflow-gpu
推荐使用这行代码下载：
pip install --ignore-installed --upgrade tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple
这样安装的版本可能不是你所需要的，可以指定tensorflow的版本安装，只需在tensorflow-gpu后面指定版本即可，即改为：我安装的tensorflow-gpu 1.14.0版本
pip install --ignore-installed --upgrade tensorflow-gpu==1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
4.安装CUDA ToolKit +cuDNN
第一步要查看要安装的CUDA + cuDNN版本，因为大家要安的tensoflow版本不一样，所以对应的CUDA 和cuDNN版本也就不一样，所以一定要对应上，否则就会报错。
可以点击查看你所要安装的tensorflow所对应的版本cuDNN和CUDA版本
记得点击右上角的 语言选项，把中文改成英语，否则最新的版本显示不出来。然后点击左侧栏的windows
然后向下翻，翻到这里，查看对应关系，我要安的是1.14.0，所以按第一行的对应版本安装
然后下载CUDA + cuDNN
在这个网址查找CUDA已发布版本：https://developer.nvidia.com/cuda-toolkit-archive
按照刚才官网提示进行下载，我下载的是10.0本地安装版本。
下载好CUDA Toolkit 10.0 后，我们开始下载cuDnn 7.4，需要注意的是，下载cuDNN需要在nvidia上注册账号，使用邮箱注册，完全免费的。登陆账号之后才可以继续下载。
一定要按照tensorflow官网的提示，选择安装CUDA和cuDNN的版本，一定要对应好。
cuDNN历史版本在该网址下载网址：https://developer.nvidia.com/rdp/cudnn-archive
下载之后，下面进行安装。
注意：最重要的一步，先卸载原有的显卡的驱动。
CUDA Toolkit需要在指定版本显卡驱动环境下才能使用，如果已经安装了nvidia显卡驱动，再安装CUDA Toolkit时，会因二者版本不兼容而导致CUDA无法使用。而CUDA Toolkit安装包中自带与之匹配的显卡驱动，所以一定要删除电脑先前的显卡驱动。
大家可以在左下角的 小娜 中搜索，NVIDIA GeFore Experience(我安装的驱动是这个，具体还要看你自己的驱动名称，一定要找好了，别删错了)，找到之后，卸载掉就可以安装CUDA Toolkit了。建议先把自己原来的驱动型号先记下来，万一出什么问题，还可以补救。
先安装CUDA Toolkit,安装路径默认就可以了，但是要记住这个路径，一会还有用。接下来就是安装了，在安装选项时，选择自定义，然后在自定义安装选项中，勾选所有的安装项，然后就可以了。
接下来将cudnn的那个压缩包解压，里面有三个文件夹，直接复制到CUDA的根目录下就可以，例如这个路径下：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0，然后进行环境变量配置。记住：要改成你自己的路径，否则系统是找不到。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\libnvvp
到这里安装步骤已经完成了，下面就以开始测试了。
5 测试
在你的环境下依次运行代码：
import tensorflow as tf
tf.test.gpu_device_name()
我的命令行输出的是：
上面是自己GPU的信息，最后一句说明安装成功了。
查看在使用那个GPU，依次输入代码：
from tensorflow.python.client import device_lib
device_lib.list_local_devices()
我这个主机只有一块GPU，所以输出的信息也是只有一块。至此，终于完成了。。。
至此，安装成功，希望这个教程可以帮助到大家，少走一些弯路，早点开始调用GPU训练，说句题外话：GPU训练的速度是真的快啊，如有任何疑问，请留言与我交流。也欢迎大家登陆我的个人博客。
给大家推荐一个非常好的科研网站可以使用免费Web of Science、zhi网、IEEE、EI等账号。亲测好用。这个网站拥有众多的数据库，法律的、医学的、工科的，等等。
感谢大家的时间，并希望以上的内容会对大家有所帮助。