写在最前
能有如此方便的，避免走弯路的，深度学习环境配置教程，首先要感谢实验室颜神@stary_yan 与进神的配置指南。然后在他们的基础上再将其细化修改，变得更加清晰。哪怕你和我一样都是命令行小白，只要有一台带GPU的电脑，也能配置出自己的GPU版的Tensorflow+Keras环境，来跑深度学习代码。
准备材料
- 敏捷的手指
- 对深度学习的热情
- 一台Win10的带GPU的电脑（要联网）
所需要的文件的百度网盘下载地址：
链接：https://pan.baidu.com/s/12poRM7hqu_5BEAvA-UakDg 密码：0l1q
里面包含的文件有：
-
Anaconda3-4.2.0-Windows-x86_64.exe（亲测Anaconda3-5.2.0-Windows-x86_64.exe，其对应的Python版本是3.6，也适用下面的教程） tensorflow_gpu-1.4.0-cp35-cp35m-win_amd64.whl-
cuda(内含:bin,include,lib这3个文件夹) -
NVIDIA GPU Computing Toolkit（内含：CUDA.zip）
手把手教学
1、查查自己电脑是否符合要求
确保你的设备是配置独显的，具体的查看方式是下载GPU-z，可以知道自己设备的GPU版本。本教程所使用的电脑是：联想刃7000——配备独立显卡（GTX 1060）
注：本方法不一定适⽤用所有的主机。可能根据显卡版本不不同，需要的配置⽂文件也会有所差异，但绝大多数应该都适用。
2、更新显卡驱动
先下载驱动精灵（http://www.drivergenius.com/），将自己电脑的显卡等驱动更新到最新。
3、安装Anoconda（Python3也会顺带装好）
安装Anoconda3-4.2.0（Anaconda3-5.2.0版本同样适用，其实更推荐5.2.0，后面我们会玩玩Auto-Keras，其只适用于Python3.6）的版本，这个版本较稳定，并且用这个版本安装能够work（其他版本未经测试不太确定）。具体安装方法：双击Anaconda3-4.2.0-Windows-x86_64.exe，按照默认的设置从头到尾点击**“下一步”**，一直到最后安装完成。
用命令行窗口检测是否安装成功，并将conda成功添加到环境变量中。
打开命令行窗口，使用快捷键Win + R，会弹出下面的界面
![]()
在其中输入cmd即可弹出命令行窗口。
在里面输入conda，然后按回车，会弹出一堆下图所示的说明文字，则表示安装成功。
4、配置其它文件
1）把从网盘中下载的 cuda 文件夹放到D盘根目录（D:\）
2）解压NVIDIA GPU Computing Toolkit中的 CUDA.zip文件，接着将解压后的CUDA文件夹拷贝到 C:\Program Files。注意只保留一层CUDA文件夹，也就是你此时的文件目录应该是这样的： C:\Program Files\CUDA\v8.0\...
然后是很关键的一步：添加环境变量，其操作如下：
- 点击对桌面的**“此电脑”点击右键，再点击“属性”**，然后会弹出如下框框：
- 点击左侧的**“高级系统设置”**，弹出下图所示的系统属性框。
- 再点击**“环境变量”**，弹出环境变量框。
- 双击**“用户变量”下面的“Path”，然后新建**两个路径：
C:\Program Files\CUDA\v8.0\bin与D:\cuda\bin
5、安装 GPU 版 tensorflow
首先使用如下命令更新 pip 到最新版，在命令行（前面说明过的打开方式）中运行：python -m pip install --upgrade pip
之后，我们安装 tensorflow GPU 版，我们先将路径cd到tensorflow_gpu-1.4.0-cp35-cp35m-win_amd64.whl文件所在路径，假设我们的这个whl文件储存在D盘根目录的DL文件夹中，则先使用如下命令：cd D:\DL
然后再使用如下命令进行安装：pip install tensorflow_gpu-1.4.0-cp35-cp35m-win_amd64.whl
注：
如未从博客开头的百度网盘下载下来的，可以使用下述代码进行安装：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.4.0 注：tensorflow-gpu 1.4.0版本确定能运行，其它版本不能保证运行。
6、安装 Keras
最后我们再进行 Keras 的安装就大功告成了！Keras会自动调用GPU 版 tensorflow 来运行，我们接着在命令行中使用如下命令来进行安装：pip install Keras==2.1.5
注：Keras 2.1.5版本是目前最新的版本，确保能够运行。
至此，我们就大功告成了，最后来进行测试！
测试是否配置好GPU版本的TensorFlow
参考：
import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))查看日志信息若包含GPU信息，就是使用了GPU。
但是注意，如果GPU和CPU两者的信息同时显示，说明两个版本的tensorflow都安装了，可能会运行时只运行CPU版本的。此时需要卸载两个版本，再安装tensorflow-gpu即可。
其他方法：跑计算量大的代码，通过 nvidia-smi 命令查看gpu的内存使用量。
感受飞一般的速度
可以使用Spyder或者Jupyer Notebook来测试，输入如下代码观察是否能够成功运行，成功运行则安装成功！
import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.optimizers import SGD
# Generate dummy data
x_train = np.random.random((100, 100, 100, 3))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
x_test = np.random.random((20, 100, 100, 3))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(20, 1)), num_classes=10)
model = Sequential()
# input: 100x100 images with 3 channels -> (100, 100, 3) tensors.
# this applies 32 convolution filters of size 3x3 each.
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd)
model.fit(x_train, y_train, batch_size=32, epochs=10)
score = model.evaluate(x_test, y_test, batch_size=32)
