如何基于Anaconda安装tensorflow-gpu报告
实验环境：
Windows 10 64位操作系统
NVIDIA驱动程序版本419.72
一、 为什么要使用tensorflow
TensorFlow 无可厚非地能被认定为 神经网络中最好用的库之一. 它擅长的任务就是训练深度神经网络.通过使用TensorFlow我们就可以快速的入门神经网络, 大大降低了深度学习（也就是深度神经网络）的开发成本和开发难度. TensorFlow 的开源性, 让所有人都能使用并且维护, 巩固它. 使它能迅速更新, 提升.
（引用自：https://blog.csdn.net/buddhistmonk/article/details/79533790）
二、 安装流程
1. 安装前的明确
大致流程：（gpu版本）
- CUDA安装配置
- cuDNN安装配置
- TensorFlow安装
- TensorFlow环境测试
注：
-
Tensorfloww有cpu和gpu两个版本，根据自身需求和电脑配置选择对应的Version（如下只为gpu版的详细介绍）
-
对应本机显卡驱动选择CUDA版本安装
-
对应安装的CUDA版本选择cuDNN版本安装
明确大致流程后开始进行安装
2. 详细步骤
1）CUDA安装配置
不同的显卡驱动对应的CUDA版本不一样，用户根据电脑配置进行选择。
显卡驱动可通过NVIDIA控制面板->帮助->系统信息->驱动程序版本查看。
我的电脑驱动版本为419.72，所以对应的CUDA Toolkit为10.0.130
然后到NVIDIA官网下载CUDA（https://developer.nvidia.com/cuda-toolkit-archive）
点击进去 ，选择相对应项目属性。我下载的是local的exe（完整安装包，初始下载全部文件），建议大家下载本地的安装包。
安装CUDA的时候，选择自定义安装，是需要安装CUDA目录里的 Development、Sample、Runtime、Documentation四个组件。当然选择安装位置的时候，选择默认位置会便于后面的环境变量的配置。
安装完成后需要对CUDA的环境变量进行配置，具体操作为 桌面此电脑右键->高级系统配置->环境变量。此时你的电脑的系统变量多了CUDA_PATH和CUDA_PATH_V10.0两个环境变量（v10.0表示的是cuda的版本是10.0）
然后我们需要在系统中添加几个环境变量：
CUDA_SDK_PATH = C:ProgramDataNVIDIA CorporationCUDA Samplesv10.0（v几点几是版本号）
CUDA_LIB_PATH = %CUDA_PATH%libx64
CUDA_BIN_PATH = %CUDA_PATH%in
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%inwin64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%commonlibx64
添加这几个变量后，打开path变量，新建几个环境变量：
%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%
C:Program FilesNVIDIA GPU ComputingToolkitCUDAv8.0libx64
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv8.0in
C:ProgramDataNVIDIA CorporationCUDA Samplesv8.0commonlibx64
C:ProgramDataNVIDIA CorporationCUDA Samplesv8.0inwin64
如图所示：
确定保存设置之后，我们就需要来验证一下CUDA环境是不是配置成功了。打开命令框（win+r，cmd回车）输入nvcc -V：
如图显示，证明CUDA已经配置完成了。
2）CuDNN安装配置
接下来就要根据CUDA的版本安装相应的cuDNN了，下载地址https://developer.nvidia.com/rdp/cudnn-download（安装cuDNN需要登录NVIDIA账号，如果没有，那就注册一个吧，挺快的）
下载完后，它是一个压缩包，将它解压，里面有三个文件夹
将这三个文件夹拷贝到CUDA的安装目录下就好了（C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.0，这是默认路径）
拷贝后如下图：
3）Tensorflow安装
CUDA和cuDNN配置完后，可以安装Tensorflow了，Tensorflow与CUDA的对应关系如图
进入Anaconda Prompt，
创建anaconda虚拟环境（输入代码）：conda create -n tensorflow-gpu python=3.6
注：创建的虚拟环境在Anaconda的envs文件夹下
它进一步询问你是否进行，你只需要按回车就好了
进入anaconda虚拟环境：activate tensorflow-gpu
安装TensorFlow-gpu，根据cuda版本选择tensorflow版本:
conda install tensorflow-gpu==1.12.0
Tensorflow环境测试
安装完成后我们就需要对Tensorflow环境进行测试了
启动Jupyter（你可以直接打开Jupyter，或者进入Anaconda Navigator，然后找到Jupyter点击下方launch）
创建python文件，输入代码
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
sess.run(hello) # print(sess.run(hello))
若能成功打印出Hello, TensorFlow! 说明成功（shift+enter，运行）
三、安装过程中出现的问题及解决方法
- 在Jupyter验证tensorflow环境是否成功的时候，出现了module notfound
要在Jupyter Notebook 中使用 tensorflow, 你需要在激活了tensorflow的（这个环境中安装了tensorflow）环境中安装Jupyter 。而我并没有在这个环境中安装Jupyter，所以又打开Anaconda prmopt，暴力输入conda install jupyter ,安装完成后，直接输入Jupyter notebook 就能打开Jupyter，最后再检查一遍，输入代码验证是否解决问题：
2.TensorFlow环境测试中出现如下提示：
The TensorFlow library wasn't compiled to use SSE instructions, but these are available on your machine and could speed up CPU computations.
查找资料之后发现是因为这个TF库没有编译，不能使用SSE，FMA等指令，但是他们可以用来加速CPU计算，这只影响CPU如果使用的是GPU版本的tensorflow那么在GPU上的所有操作都不会受益于SSE指令。
解决方法：
在前面添加下面的两句操作就行了
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'