win10下GPU加速的Keras配置（CUDA, cuDNN）

实践时重点参考了这一篇博客，但仍然遇到了不少问题，其中最普遍的是各个部分更新后的相互支持问题，本文只是实践成功的经历记录，在短时间内、环境相同的情况下应当比较有效，本文不会普遍性地解决安装CUDA、cuDNN中的各种问题
1. 安装conda、keras
conda install keras
2. 安装CUDA、添加环境变量。
a) 下载CUDA9.0版，当前（2018-3-21）tensorflow不支持最新的9.1
b) 安装时选择“精简”就行，不需要自定义安装
c) 添加下列环境变量

PATH环境变量

3. 下载cuDNN，选择7.0.5、for CUDA9.0版本
我之前安装了v7.1.1 for CUDA 9.1，tensorflow报错应当安装7.0开头的版本，后来发现原因应当是用了之前下载的for CUDA 9.1，但为了省事没有尝试使用v7.1.1 for CUDA 9.0

下载完后，将下图文件一起复制粘贴到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0，进行覆盖（应该不会有重复文件）

4. 测试安装是否完成
cd到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\demo_suite目录下，执行bandwidthTest.exe，deviceQuery.exe，两步都打印出【Result=PASS】，则CUDA安装成功
5. 使用GeForce更新驱动，安装CUDA时应当已经安装了GeForce，如果没有可以去官网下载
我出现过驱动没更新导致tensorflow跑深度学习不成功的情况
6. 安装tensorflow-gpu
pip install --upgrade tensorflow-gpu
7. 命令行进入python环境
import tensorflow as tf
sess = tf.Session()
看打印信息最后几条，是否包括添加gpu，添加是否成功
8. 跑一个DeepLearning，看一下是否已加速
到上一布并不保证实际使用时不会出现问题