最近由于论文需要，急需搭建Tensorflow环境，16年底当时Tensorflow版本号还没有过1，我曾按照手册搭建过CPU版本。目前，1.7算是比较新的版本了（也可以从源码编译1.8版本的Tensorflow）。
安装步骤：
不能急于求成，安装任何东西前都应该先阅读用户手册与FAQ，弄清软件依赖与安装步骤。对于Tensorflow来说，官网有时上不去，建议关注Tensorflow的GitHub（https://github.com/tensorflow/tensorflow）,GitHub上只是指明了Python版本，对于CUDA和cuDNN并没有过多的说明，但是在releases页面，尤其是Tensorflow1.7部分做了如下说明：
- Tensorflow 1.7 may be the last time we support CUDA versions below 8.0.Starting with Tensorflow 1.8 release, 8.0 will be the minimum supported version.
- Tensorflow 1.7 may be the last time we support cuDNN versions below 6.0. Starting with Tensorflow 1.8 release, 6.0 will be the minimum supported version.
如果大家不愿意深究下去，我的建议是：
- 没有GPU或者GPU算力达不到3.0的（带GPU加速的Tensorflow版本依赖cuDNN，而cuDNN又需要3.0算力的GPU支持），果断选择linux，因为在linux下，Python可选择的版本更多。
- 有GPU，并且符合算力3.0以上的要求，建议考虑windows平台，当然，也可以选linux，但是驱动相关问题需要自己解决，尤其是涉及到双显卡的笔记本时，比较麻烦，我在本文后面给出了一个FAQ，专门讨论英伟达相关驱动问题。
平台与驱动问题解决后，下面就是下载Tensorflow和对应的Python开发环境了，有一点，谷歌做的不错——Tensorflow直接是一个whl格式的Python包。很多教程是让人下载Anaconda集成开发环境，我给出的建议是：如果你只是想安装一个Python版本，并且没什么非常特别的需求话，可以不用安装Anaconda，如果你在linux下进行开发，我倒是比较推荐Anaconda，毕竟可以省去不少事！这里要说一下，tensorflow的GitHub上给出的windows+GPU 1.7版本只有Python3.5与3.6可选，如果你非要用Python2，那就只能选linux了~而在另外一个whl包聚集地：https://www.lfd.uci.edu/~gohlke/pythonlibs/，作者说的更加简明扼要(注意，页面给出的是CPU版本的)：
TensorFlow, computation using data flow graphs for scalable machine learning.The CUDA builds require CUDA 8 and CUDNN 6.
当Python安装好并且下载好Tensorflow的whl包后，先不要急着安装，由于Python在安装包时会自动解决依赖问题，因而，在安装Tensorflow过程中总是会联网下载一些依赖包，为了让下载更加快一些，首先需要更换pip源，国内pip源我比较推荐清华的，直接同步的官方源，极少出问题。换源的方法很简单：windows下，直接在user目录中创建一个pip目录，如：C:\Users\用户名\pip，新建文件pip.ini，内容如下:
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple至此，我们转到Tensorflow对应的whl文件目录下，直接一句pip install xxxx.whl剩下的就让计算机处理吧~~~~~~~
因为换了源，速度不会太差，几分钟就装好了~~~~
现在不要太高兴，目前，不少人安装后不能用Tensorflow，有各种问题，现在先放出一段代码，用来测试，代码是网上找到的。
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
#输出Hello, TensorFlow!
a = tf.constant(10)
b = tf.constant(32)
print(sess.run(a + b))
#输出42下面这段代码是测试GPU版本的Tensorflow的。
import numpy
import tensorflow as tf
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
print(sess.run(c))输出结果会包含GPU信息~
FAQ
Q：显卡驱动，CUDA tool，cuDNN三者有何关系？安装有无先后顺序？
A：关于显卡，英伟达很多时候说的不明不白。实际上，你下载某个驱动，驱动自身大多数时候是自带CUDA的，是的，没错，但是驱动自带的CUDA却像是少了很多东西，也找不到CUDA专门的文件夹，比较靠谱的一种说法是：正确安装显卡驱动后会自带一个精简的CUDA调用接口，以供诸如CAD等一系列软件调用。就我使用过程来说，Caffe框架可以直接用这个精简接口，而不需要单独安装CUDA tool。但是，如果你需要开发独立的CUDA程序，或者必须找到CUDA工具文件目录，那CUDA tool你是必须安装的，而且，英伟达有一个坑爹的设定：CUDA tool自带一个匹配驱动，这就出问题了，一般我们拿到电脑后，都是先安装驱动的，这样一来，两者很可能冲突，事实上，也确实出现过这类问题，比较有名的就是GTX10显卡安装CUDA出错问题，目前英伟达应该已经解决了。我的建议是，如果你必须使用CUDA tool，保险起见，卸载原有驱动，直接安装CUDA tool，这样一来问题就会少很多。另外，cuDNN不会直接安装，需要单独下载，而且cuDNN其实就是.h头文件，.lib库文件以及一个.dll文件，只要把这三个文件放到CUDA对应的目录下就可以了，环境变量需要相关设置。
Q：安装完测试时报错：No module named "_pywrap_tensorflow" DLL load failed.
A：这个问题有很多种说法，比如什么CUDA与cuDNN版本不匹配，缺少微软MSVCP140.DLL，cuDNN安装后是否正确设置了环境变量······
目前来看，前两种可能性不大，因为cuDNN在下载时已经明确了CUDA版本，微软的那个东西，上述安装过程根本没装，最后一个也很容易处理···不细说了，总之按照上述安装方法，没有任何报错问题～
Q：请详细说一下cuDNN安装过程
A：看英文：
Copy CuDNN files to Nvidia CUDA toolkit folder (usually is located on C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0)
copy cudnn\bin\cudnn64_5.dll to C:\Program Files\NVIDIA GPU ComputingToolkit\CUDA\v8.0\bin
copy cudnn\include\cudnn.h to C:\ProgramFiles\NVIDIA GPU Computing Toolkit\CUDA\v8.0\include
copy cudnn\lib\x64\cudnn.lib to C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64
CUDA在安装过程中已经自动加入环境变量了，所以，cuDNN不用额外设置，直接复制文件就可以了。
Q：如何获得Tensorflow的历史版本？
A：可以从pypi的官方仓库查询：https://pypi.org/ 查询tensorflow-gpu，或者tensorflow