Windows 安装 tensorflow-gpu

准备工作

下面列出了笔者测试成功的环境，使用其它的版本可能出现不可预料的情况。

硬件

图形卡
根据 Tensorflow 官网上对于 GPU 支持的描述，需要 CUDA® 计算能力为 3.5 或更高的 NVIDIA® GPU 卡。大部分主流 N 卡都能满足这一点，如果不确定的话，可以在官网上查看：CUDA GPUs。笔者使用了一块 NVIDIA GeForce RTX 2070 进行测试。
其它
其它硬件达到主流配置即可。

软件

Windows 系统
由于 macOS Mojave 的 N 卡驱动迟迟没有更新（据说是苹果已经抛弃了 N 卡，未来很有可能不会再更新驱动）；并且 Tensorflow 官方已经不再推出适配 macOS 的 tensorflow-gpu 了，需要自己编译；因而使用 Windows 或者 Linux 系统会是更好的选择。笔者使用的是 Windows 10。
显卡驱动程序
在连接到网络时，Windows 10 会自动下载安装显卡驱动，但可能不是最新版本。建议通过 GeForce Experience 管理驱动程序。
CUDA
tensorflow-gpu 依赖于 CUDA，需要到 NVIDIA 官网上的 CUDA Zone 下载。下载时选择 10.0 版本即可，因为最新的版本可能不被 tensorflow 所支持。历史版本可以在这里查看：CUDA Toolkit Archive。
cuDNN
cuDNN 的全称为 NVIDIA CUDA® Deep Neural Network library，是 NVIDIA 专门针对深度神经网络（Deep Neural Networks）中的基础操作而设计基于 GPU 的加速库。这也是一个重要依赖，需要准备好。其主页是 NVIDIA cuDNN，下载需要注册账号，不过也可以选择微信快捷登陆。同样需要注意的是，要正确选择与 CUDA 对应的 cuDNN 版本。本文发布时，与 CUDA 10.0 兼容的最新版本 cuDNN 为 v7.6.0。
Python
笔者使用的是 Python 3.7.0。安装好之后确保能够通过 PowerShell 执行 python 和 pip 即可。
tensorflow-gpu
安装 tensorflow-gpu 的方法也有很多，例如 Anaconda 或者 pip。如果不想折腾环境，直接从这里找一个 wheel 就行了：tensorflow-gpu · PyPI。需要根据自己的系统和 Python 版本选择，例如 tensorflow_gpu-1.13.1-cp37-cp37m-win_amd64.whl。

安装

安装 CUDA

安装过程并不复杂。运行从 NVIDIA 官网上下载的 CUDA 安装程序，将其安装在默认目录下即可。如果一切正常，相关组件会出现在 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0 目录下。

安装 cuDNN

解压 cuDNN 的安装包，会得到一个文件夹，将其打开后，可以看到名为 bin，include 和 lib 的子目录。而在前面所说的 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0 目录下也有这样几个子目录。因此，直接将 cuDNN 的相关文件复制合并进对应的目录即可。

安装 `tensorflow-gpu`

以 PowerShell 为例，将 CUDA 相关组件添加至环境变量：

1	$Env:path=$Env:Path+";C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin;C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extras\CUPTI\libx64;"

完成后，cd 进入下载的 whl 文件所在目录，使用 pip 安装即可

1	pip install tensorflow_gpu-1.13.1-cp37-cp37m-win_amd64.whl

pip 会自动下载所需的依赖。

运行

如果一切顺利，打开 Python，执行

import tensorflow as tf
hello = tf.constant("Hello, TensorFlow!")
sess = tf.Session()
print(sess.run(hello))

不报错的话，就安装成功了。