GPU环境的配置
在深度学习中，模型往往很复杂，数据量很大，此时使用GPU运行会快很多。而使用GPU就需要安装CUDA和CuDNN。本文是为了使用tensorflow的gpu版本而使用的GPU。
（1）GPU的配置
首先，要使用TensorFlow的GPU，需要达到的硬件前提：显卡类型是NVIDIA，显卡的计算能力要至少达到3.0。
可以在下面的网站查看：
https://developer.nvidia.com/cuda-gpus
然后，下载CUDA和CuDNN
CuDA至少8.0，CuDNN至少6.1
CuDA的下载网址：
https://developer.nvidia.com/cuda-downloads?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal
CuDNN的下载网址：
https://developer.nvidia.com/rdp/cudnn-download
注：CuDNN版本和CUDA的版本要对应上
我使用的是CUDA 8.0和CuDnn v7
Cudnn在官网下载后，直接解压即可，当中会有如下文件：
主要要注意的是CUDA的安装：
双击安装的cuda_8.0.44.exe后，出现
类似上图的画面，这个是CUDA安装包提取的路径，感觉没有什么意义，而且最终cuda的安装路径也不一定是这里（为什么说不一定，请继续看下去）
点击“OK”之后，经过一个进度条，之后会对系统进行检测。
正式到了安装的时候，建议选择“高级 - 自定义”。之后，都使用默认的选项，一直下一步，最后直到安装完成。
如果选择的是“精装”，后面的安装过程直接就会把CUDA安装在上面的提取枯井中；
如果选择“自定义”，后面也是可以自定义路径的，但是这样的话，CUDA可能不会自动配置好系统路径。
当安装CUDA之后，可以在控制台中输入： nvcc -V查看cuda的版本，如下图：
同时，环境变量中会多出两个路径，即：CUDA_PATH和CUDA_PATH_V8.0
如下图所示：
之后，将解压后的Cudnn文件夹中的bin、include和lib文件夹复制到下图所示的文件夹中：
还要在PATH中，添加
至此，CUDA和CuDNN的配置已完成
（2）Python中TensorFlow-gpu的安装
本机的环境：Python 3.5
当然，最好还是使用Anconda(包含Python3.6)，去安装TensorFlow。
安装TensorFlow的gpu版本，只需要体格命令：
pip install tensorflow-gpu安装完成后，在控制台中输入python，进入python环境
输入：
import tensorflow as tf结果显示，一大堆错误，形如：
这个主要错误，就是找不到cudnn64_6.dll
解决问题：在下载Cudnn的时候，下载v6版本的CuDnn；如果下载了比v6更新的版本的，直接在修改，如下图所示：
将cudnn64_7改为cudnn64_6即可，注意高版本的可以直接修改为低版本的，但是反之则不行！
此时，再次输入：
import tensorflow as tf则没有报错
再对tf.Session()进行测试
输入：
sess = tf.Session()
a = tf.constant(2)
b = tf.constant(3)
print(sess.run(a+b))TensorFlow会自己调用空闲的GPU，而且会显示GPU的信息
同时，可以输入
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))这个可以查看自己显卡的计算能力，和TensorFlow要求的计算能力，如果达不到，则同样起不了GPU加速的作用。