0、写在前面
之前其实安装过一次tensorflow，但是由于电脑中毒，重装了系统，把所有的环境全部删除了。之前在博客里转发了一篇别人在win10安装tensorflow的教程，但是版本比较旧了，所以这次决定自己写一下。
1、环境说明
这次安装tensorflow是在Win10（1909）版本下，基于anaconda安装的。anaconda隔离管理多个环境，互不影响，比较方便。
2、安装anaconda
2.1 下载
这里选择python 3.7版本的下载，根据自己系统实际的位数，下载对应的版本。 下载地址
2.2 安装
安装过程其实默认就可以，有两个地方可以设置一下：
2.3 检查安装结果
进入windows的命令行模式：
2.3.1 检测Anaconda环境是否安装成功（查看Anaconda版本号）：conda --version
2.3.2 检测目前安装了哪些环境变量：conda info --envs
2.3.3 查看当前有哪些可以使用的tensorflow版本：conda search --full --name tensorflow
3、新建虚拟环境
3.1 创建环境tfenv并安装python3.7：conda create --name tfenv python=3.7
3.2 查看是否安装成功
这里可以使用 2.3.2 中的命令查看是否成功安装环境
4、安装tensorflow
4.1 GPU版？CPU版？
| 判断条件 | 结果 |
|---|---|
| 显卡是否为NVIDIA系列显卡？ | 是 = GPU；否 = CPU |
| 若是NVIDIA系列显卡，计算能力如何？ | 大于等于3.5 = GPU；小于3.5 = CPU |
解释：
（1）首先，查看自己电脑显卡的型号。如果显卡是NVIDIA系列的，继续下面步骤；如果显卡不是NVIDIA系列的，直接装CPU版。
（2）然后，如果是NVIDIA系列的，则查询该显卡的计算能力。详见：查询计算能力。点开自己显卡对应的系列，查看自己显卡的GPU计算能力（即，Compute Capability）。如下图，显卡NVIDIA GTX 1050对应的计算能力为6.1。
（3）最后，到官网查询发布的GPU支持，查看硬件要求。本文查询时的标准是3.5（如下图）。如果计算能力≥3.5，可以装GPU版；相反<3.5的只能选择CPU版了。
（4）GPU和CPU两个版本没有太大的区别，只是计算的快慢问题，GPU版本的计算更快。
4.2 版本号如何选择？
4.2.1 CPU版本的基本没有特别的限制，选择适合自己的就行。
4.2.2 确认自己的显卡可以支持GPU版之后，Tensorflow-GPU版本的选择主要看两个指标：CUDA和cuDNN。需要下载安装CUDA和cuDNN
4.2.3 CUDA版本的选择：它依赖于显卡的驱动程序版本，如下表，参考官方文档。与下表进行对照选择兼容的CUDA版本。
如：我电脑的的驱动程序版本号为：417.22，所以对应的CUDA Toolkit版本应为10.0版本
4.2.4 确认cuDNN对应于CUDA的版本。参照tensorflow官网给出的标准，如下表。然后从Nivdia官网下载对应版本的cuDNN。
| 版本 | Python 版本 | 编译器 | 编译工具 | cuDNN | CUDA |
|---|---|---|---|---|---|
| tensorflow_gpu-1.13.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.12.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.11.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.10.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.9.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.8.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.7.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.6.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.5.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.4.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 |
| tensorflow_gpu-1.3.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 |
| tensorflow_gpu-1.2.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
| tensorflow_gpu-1.1.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
| tensorflow_gpu-1.0.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
根据上图，根据对应的版本号，要安装对应的CUDA 和 cuDNN 的版本，对于版本号大于1.13的tensorflow-gpu版本，如1.14、1.15和2.0，要安装CUDA10.0，不要安装最新的CUDA10.1，安装后会提示缺少很多库文件，而导致GPU版本的tensorflow无法使用，如下图所示：
4.2.5 根据上述的CUDA和cuDNN版本号，可以确定我们要安装的tensorflow版本号，如，根据我本机，CUDA安装10.0版本，cuDNN安装7.6.4版本，那我选择tensorflow-gpu-1.15版本安装。
4.3 安装CUDA以及cuDNN
4.3.1 下载安装CUDA Toolkit
CUDA下载链接。记得下载 local 版本（即完整版，network版为精简版）。
4.3.2 安装CUDA
安装CUDA有两种方法：
第一种：先装好对应CUDA需要的版本号，在装CUDA时选择不要重新安装驱动
第二种：卸载掉已存在的驱动即确保系统上没有安装驱动，直接安装CUDA
这里选择第二种方法，故先卸载掉原来的NVIDIA驱动。卸载完成后，打开安装程序，安装路径可以默认也可以自定义。之后点击ok就行。
经过漫长的等待，来到了NVIDIA软件许可协议，同意许可协议，并继续
选择高级
默认全选
这里要记住安装路径，可以更改自己的路径
勾选，继续下一步
接下来就是漫长的等待……
安装完成后，重启即可，系统会自动添加环境变量。
验证是否安装成功：win + R，输入：powershell，执行命令：nvcc -V
4.3.3 下载 cuDNN
cuDNN下载地址 下载需要登录NVIDIA账号。
下载完成后，会得到一个压缩包：cudnn-10.0-windows10-x64-v7.6.4.38.zip
4.3.4 安装cuDNN
将下载的压缩包，解压并按下表的对应关系，将解压出来的文件复制到CUDA安装的对应路径下：（注意是路径中的文件）
这里要根据自己的情况来，图中是我的解压和安装路径：
添加环境变量：C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.0libx64
4.4 安装tensorflow
自带的源镜像站下载可能比较慢，这里可以选择修改为【清华大学镜像站】：
打开Anaconda
在这边更改为我们前面创建的虚拟环境tfenv，并点击旁边的按钮Channels：
点击add，并添加【中国科技大学镜像站】的地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/并回车，在这也可以将默认的镜像站删除，点击Update channels即可。
打开命令提示符，激活3.1创建的虚拟环境tfenv：activate tfenv
安装TensorFlow-GPU-1.15.0：pip install tensorflow-gpu==1.15.0 ， 安装CPU版本的命令： pip install tensorflow==1.15.0 ，等于后面为要安装的tensorflow版本号
安装成功后，如果出现.dll文件无法加载情况，需重启电脑！
4.5 测试
4.3.6.1 测试GPU是否工作，来自某位大佬的代码，装CPU版本的可以略过。
如果都是TRUE安装成功。
代码：
import tensorflow as tf
a=tf.test.is_built_with_cuda()
b=tf.test.is_gpu_available(cuda_only=False,min_cuda_compute_capability=None)
print（a）
print(b)
4.3.6.2 测试代码
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
输出：b'Hello, TensorFlow!'