Win10深度学习环境搭建：Python 3.7.2+CUDA 10.0+cuDNN 7.6+Tensorflow-gpu 1.13.1+Jupyter
来回折腾过几次Tensorflow-gpu的环境搭建，想把成功的方法分享给大家！
（也是因为自己前阶段的深度学习环境gpu调用出了问题，跑程序时发现CPU的占用率达到了99%，而GPU却没有被调用。经过反复卸载重装软件，烦了三四天才成功，所以趁着成功之余还是记录下来，即能避免自己重蹈覆辙，也能让大家少走弯路。）
【电脑基础环境】
系统：Windows10
显卡：NVIDIA GeForce GTX 1060
【软件安装过程】
1.安装Python 3.7.2
-
下载地址：python官网
- 安装参考：https://blog.csdn.net/qq_38161040/article/details/87295245
（注：路径最好默认，别忘了把python添加到环境变量中，勾选最底下的就好了，省的我们自己添加。）
- 检查是否安装成功
win+R打开cmd，然后输入python就可以看到安装版本信息。
2.安装CUDA 10.0
- 安装cuda前需检查一下显卡驱动是否最新（自动搜索更新即可）
- 查看自己电脑CUDA版本号，也是我选择CUDA 10.0的原因。
在桌面右击，选择“NVIDIA控制面板”，然后如下:
- 下载地址：https://developer.nvidia.com/cuda-downloads
- 安装参考：https://www.jianshu.com/p/4ebaa78e0233
（注：参考该链接中安装CUDA 9.0的内容，因为安装CUDA 10.0的步骤与此相同）
- 检查是否安装成功
1、以下的两个环境变量是否存在
2、验证安装的版本：nvcc -V
3.安装CUDNN 7.6
- 下载地址：https://developer.nvidia.com/rdp/cudnn-download （需要注册）
下载后是一个压缩文件。
- 安装参考：https://www.jianshu.com/p/4ebaa78e0233
（注：参考该链接中安装CUDNN 7.3的内容，因为安装CUDNN 7.6的步骤与此相同）
- 安装成功后，需要添加一下环境变量（看很多博主这么做，虽然具体的原因还不知道）
4.安装Tensorflow-gpu 1.13.1
- 下载地址：http://mirrors.aliyun.com/pypi/simple/tensorflow-gpu/
安装版本：tensorflow_gpu-1.13.1-cp37-cp37m-win_amd64.whl
- 运行pip install命令安装本地WHL文件
安装参考：https://www.jianshu.com/p/4ebaa78e0233
（注：参考该链接中安装tensorflow_gpu1.10的内容，在cmd中输入命令改成：
pip install tensorflow_gpu-1.13.1-cp37-cp37m-win_amd64.whl然后，按Enter键执行命令。其他安装tensorflow-gpu 1.13.1的步骤与此链接相同）
- 运行pip install命令安装msgpack库
考虑到部分读者可能没有安装运行tensorflow必需的msgpack库。在cmd中输入命令：pip install msgpack，然后按Enter键运行命令。
5.测试运行环境
参考链接：https://www.jianshu.com/p/4ebaa78e0233
（注：参考该链接中测试运行环境的内容）
测试代码为：
import tensorflow as tf
hello = tf.constant('hello, tensorflow!')
session = tf.Session()
print(session.run(hello))6.安装IDE：jupyter notebook和常用的一下库文件
- win+R打开cmd，然后输入 pip install jupyter 就可以进行安装了。
- Jupyter 的使用方法：直接在终点输入 jupyter notebook 即可，然后会自动在你的谷歌浏览器中弹出以下界面，new一个Python3的环境就可以在IDE中进行代码编译了！（当然 jupyter 进入的目录也是可以自己选择的，命令： cd + 目录 ，然后再输入 jupyter notebook ）
- 安装常用的库文件：（此处列举以下三种，其他的当你自己遇到 “No model named ...” 情况时，自己百度解决。）
Matplotlib 是 Python 的绘图库：
pip install matplotlib
sklearn是用python实现的机器学习的算法库 ：
pip install sklearn
pandas 是基于NumPy 的一种工具，用于解决数据分析任务：
pip install pandas
7.验证Tensorflow能否使用GPU，能否调用做并行计算的平台CUDA
该部分很有必要验证，不然跑程序的时候就会发现与我一样的问题——程序都在用CPU的计算能力，而GPU却没有被调用，导致程序跑的很慢。
- 分别用一下测试代码进行验证：
from tensorflow.python.client import device_lib
import tensorflow as tf
#检测tensorflow的能使用设备情况:
print(device_lib.list_local_devices())
#判断CUDA是否可用：
print(tf.test.is_built_with_cuda())#判断GPU是否可用：
tf.test.is_gpu_available(
cuda_only=False,
min_cuda_compute_capability=None
)验证结果如下图：
8.恭喜你，大功告成！
- 程序运行时的任务管理器：
- 还不放心的话，运行程序时你可以在后台找是否有以下东西：
总结：
1、有些读者电脑上有多个版本的python，一定要知道各个python装在哪，否则建议只留一个。
2、显卡驱动这一块会有很多问题，建议读者先将Nvidia相关驱动卸载干净后，重新安装到最新的Nvidia驱动，再进行安装CUDA 10.0的操作。
3、我之前装的是CUDA9.0，然后不知道什么原因调用不了GPU跑程序，然后查看自己电脑CUDA版本号，才换成CUDA10.0成 功的。（理论上应该是兼容低版本的，估计是因为跨了一个版本出的问题）
4、安装tensorflow-gpu时，在后台遇到“权限不够”和“拒绝访问”的问题，可以尝试用管理员身份启动cmd终端，然后重新尝试。
5、重要的事情说一遍！一定要验证Tensorflow能否使用GPU，能否调用做并行计算的CUDA。
6、如果读者对细节有疑问，可以在评论区留言。