在Anaconda3下安装tensorflow-gpu库的经验之谈
经过一整天的折腾，参考了许多网友的建议后，终于把tensorflow-gpu库安装成功了，现将安装经验总结如下：
1 适用条件
本经验适用于win10操作系统下的版本5.2.0的Anaconda3，理由是该版本对应Python3.6，而比此版本高的Anaconda3配套的是Python3.7，目前TensorFlow对Python3.7支持不够友好，导致安装出错。TensorFlow对Python版本的要求将在下面介绍，理论上安装搭载相应Python版本的Anaconda3都应该可以成功安装TensorFlow库。
2 安装要求
2.1 系统要求
TensorFlow库的官方说明中对系统的要求如下：
- Ubuntu 16.04 or later (64-bit)
- macOS 10.12.6 (Sierra) or later (64-bit) (no GPU support)
- Windows 7 or later (64-bit) (Python 3 only)
- Raspbian 9.0 or later
2.2 硬件及软件要求
本文主要介绍tensorflow-gpu库的安装，所以只介绍关于GPU硬件及软件的要求。有关tensorflow库（CPU版）的安装对此一般不做要求，所以相对要简单许多。
2.2.1 硬件要求
tensorflow-gpu要求电脑搭载CUDA算力在3.5及以上的NVIDIA GPU显卡，具体可登陆CUDA-enabled GPU cards检查你的GPU是否达到要求。
2.2.2 软件要求
以下是tensorflow-gpu对NVIDIA GPU显卡的软件要求：
- NVIDIA® GPU drivers —CUDA 9.0 requires 384.x or higher.
- CUDA® Toolkit —TensorFlow supports CUDA 9.0.
- CUPTI ships with the CUDA Toolkit.
- cuDNN SDK (>= 7.2)
- (Optional) NCCL 2.2 for multiple GPU support.
- (Optional) TensorRT 4.0 to improve latency and throughput for inference on some models.
tensorflow-gpu库对CUDA及cuDNN的要求如下图，建议下载CUDA9.0以及cuDNN v7.4.2。
3 动手安装
3.1 Anaconda3安装
由于官方上只提供最新版本的Anaconda3下载，考虑到与tensorflow-gpu库的兼容问题，不建议安装最新版的Anaconda3软件。可去清华大学开源软件镜像站下载旧版Anaconda3，这里以64位windows系统下的Anaconda3-5.2.0版本为例。
建议安装目录中不要出现空格符号，一般按默认目录安装即可。
安装完成后，进入Anaconda Prompt控制台，输入以下指令先把pip版本升级到最新版（18.1.0）
python -m pip install --upgrade pip3.2 VC库安装
1、打开微软网站，下载并安装以下两个库。
2、再进入VS网站，下载并安装VS2017社区版。
3.3 CUDA库安装
进入CUDA Toolkit Archive网站下载CUDA Toolkit 9.0，以及补丁patch2、3、4（patch1安装不上，可以不安装）。
3.4 cuDNN安装
登陆官方cuDNN网址下载cuDNN。首先需要注册一个账号（注册过程网页打开极慢，建议科学上网），然后下载cuDNN v7.4.2版本。
安装方法：
1、解压cudnn-9.0-windows10-x64-v7.zip
2、将以下文件复制到
(1)Copy
(2)Copy
(3)Copy
3、打开“运行”-“control sysdm.cpl”-高级-环境变量，确保以下配置路径正确。
Variable Name: CUDA_PATH
Variable Value: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.03.5 tensorflow-gpu库安装
至此，安装tensorflow-gpu库的所有要去条件都已具备，下面可以安装tensorflow-gpu库。Anaconda3自带的Spyder IDE界面与Matlab相似，借助该IDE可以很方便地进行深度学习程序编写。下面以Spyder为例，介绍如何安装tensorflow-gpu库。
打开Spyder后，在控制台输入!pip install tensorflow-gpu指令，等待片刻后，软件将自动将tensorflow-gpu库安装上。
4 tensorflow库代码测试
下面给出了tensorflow库的CPU运行和GPU运行时间比较代码，其中为了提高对比差异，刻意将第二层的单元数设置为10000。运行结果显示，基于GPU的tensorflow库运行效率果然很高，计算效率几乎是CPU运行效率的10倍！
"""神经网络框架搭建与测试"""
import tensorflow as tf
from tensorflow import keras
import numpy as np
import time
# 获取数据
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
train_images = train_images / 255.0
test_images = test_images / 255.0
# 构建模型
#with tf.device("/CPU:0"):
with tf.device("/device:GPU:0"):
time_start = time.time()
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(10000, activation=tf.nn.relu),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer=tf.train.AdamOptimizer(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 训练模型
model.fit(train_images, train_labels, batch_size=32, epochs=5)
time_end = time.time()
#print("The used time for CPU is %.2fs" %(time_end-time_start))
print("The used time for GPU is %.2fs" %(time_end-time_start))
# 评估准确率
#test_loss, test_acc = model.evaluate(test_images, test_labels)
#print("Test accuracy: ", test_acc)
# 预测
#predictions = model.predict(test_images)
#prediction_labels = np.argmax(predictions, axis=1)