tensorflow GPU版本配置加速环境（已测试）

参考博客：https://blog.csdn.net/public669/article/details/89928728

https://blog.csdn.net/qq_46102205/article/details/106181407

背景
环境：Anaconda 、tensorflow_gpu==1.4.0 (这里就用1.4.0版本做演示了，虽然现在的已经是2.0版本了)
如下图是各个版本的cuda版本信息，在安装时需要看清楚，并不是所有的gpu版本都是cuda_8.0

安装cuda
下载之后点击执行cuda（https://developer.nvidia.com/cuda-toolkit-archive）

注意：（卸载显卡驱动，测试的时候卸载了，不卸载可能也行）

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。

这里可以选择安装的模式：精简也可以选择自定义（选的自定义）

安装路径可以自定义，也可以默认。选择自定义得记住安装的路径（后面配置环境变量）

1. 后面的就是一键Next，完成即可
2. 配置系统环境变量

在系统环境变量中配置环境变量，在cuda安装好时会自动的配置两个，另外两个需要自己配置（ps:如果安装路径是自定义的话，需要根据情况自行变动）。进入环境变量的Path在后面添加。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\libnvvp

在完成了上述的配置后，可以验证一下是否配置成功：
在cmd中输入如下的代码：

echo %path%

执行结果如下：

4.下载和配置cudnn:https://developer.nvidia.com/rdp/cudnn-archive  选择与cuda相对应的版本
将其解压会出现三个文件夹：

将这三个文件夹里面的文件对应的复制到cuda文件下：
（注意这里是将文件下的文件复制到cuda对应的文件夹里面，而不是将文件夹直接替代cuda下的文件夹（这步特别重要））

最后，安装相应版本的tensorflow-gpu

使用pip install tensorflow-GPU==版本号下载GPU版本就安装完成

打开pycharm,在里面输入如下测试代码是否安装成功

import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)