安装tensorflow GPU版教程：conda + CUDA 9.0 + cuDNN

"该资源提供了一次成功安装TF GPU版本的详细步骤，主要涉及Python 3.5、TensorFlow GPU 1.8.0、CUDA v9和CuDNN的安装，适用于深度学习环境搭建。" 在深度学习领域，安装TensorFlow的GPU版本对于提升模型训练速度至关重要。以下是一步步安装的详细过程： 1. 首先，安装Anaconda，这是一个流行的Python分发版，包含了众多科学计算包和管理工具。按照默认设置进行安装。 2. 安装完成后，通过开始菜单启动Anaconda的命令行界面。Anaconda Navigator或Anaconda Prompt都是不错的选择。 3. 在Anaconda环境中，为了保持不同项目之间的环境独立，通常需要创建独立的虚拟环境。使用命令`conda create -n 新建的环境名 python=3.x`来创建一个新环境，其中`3.x`代表所需Python版本。 4. 创建环境后，使用`activate 新建的环境名`切换到新建的环境中。在此环境中安装所需的库和框架，如TensorFlow。 5. 安装TensorFlow GPU版时，避免使用`pip`，因为它可能导致各种问题。推荐使用`conda`命令确保与CUDA和CuDNN版本兼容。例如，安装TensorFlow GPU 1.8.0的命令是：`conda install --channel https://conda.anaconda.org/aaronzst tensorflow-gpu=1.8.0`。若遇到网络问题导致安装失败，可以多次尝试此命令。 6. 下载CUDA运行库。访问NVIDIA官方网站(https://developer.nvidia.com/cuda-10.0-download-archive)并注册账户下载对应版本。对于TensorFlow 1.8.0，需要CUDA v9.0。安装过程中，v9.0及以上版本会自动配置环境变量。 7. 完成CUDA安装后，下载CuDNN，CuDNN是加速深度神经网络计算的库。访问CuDNN档案页面(https://developer.nvidia.com/rdp/cudnn-archive)选择相应版本下载。 8. 解压缩CuDNN文件，将解压得到的三个文件夹（`bin`、`include`、`lib`）的内容分别复制到CUDA安装目录下的对应位置，如`C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0`。 9. 最后，确保系统路径包含了CUDA和CuDNN的路径，这样Python才能正确识别并使用它们。现在，在新环境中激活并运行TensorFlow，检查GPU是否被正确识别，可以使用`tf.test.is_gpu_available()`。 通过以上步骤，你将能够成功地在Python 3.5环境中搭建起一个用于深度学习的TensorFlow GPU平台。这将极大地提高你的计算效率，使你能够更高效地训练模型。在实际操作中，记得根据你的具体需求和系统配置调整相关步骤。