Win10下安装并使用tenso...

Win10下安装并使⽤tenso...
-----最近从github上找了⼀个代码跑，但是cpu训练的时间实在是太长，所以想⽤gpu训练⼀下，经过了⼀天的折腾终于可以⽤gpu进⾏训练了，嘿嘿~
⾸先先看⼀下⾃⼰电脑的显卡信息：
可以看到我的显卡为MX250
然后进⼊NVIDIA控制⾯板->系统信息->组件查看可以使⽤的cuda版本
这⾥我先下载了cuda10.1的版本，不过后来我发现tensorflow-gpu 1.8.0仅⽀持cuda9.0的版本，所以之后我⼜重装了⼀遍cuda9.0，中间还经历了删除cuda10.0，两个版本的安装都是⼀样的。

下载完成后按照默认的执⾏下去（当然也可以修改安装的路径）在安装时如果电脑装有vs2017，那么这⾥建议取消VS Integration
然后⼀步步往下执⾏
检查cuda是否安装成功：输⼊nvcc --version
cuda的环境变量在安装时⾃动配置了，所以不需要我们操⼼
cudnn下载完成后进⾏解压，⾥⾯有三个⽂件夹
将上⾯的三个⽂件夹覆盖你之前安装的cuda路径下的相同名称的⽂件夹(默认安装的cuda和我截图中的路径⼀样)
下⾯我们安装tensorflow-gpu = 1.8.0
因为我安装的版本⽐较⽼了，现在最新的Anaconda已经装不了了，这⾥把我的Anaconda版本是Anaconda3-5.1.0-Windows-x86_64，使⽤的python版本是3.6 安装的时候记得把环境变量勾选上，这样就不⽤⾃⼰配置了
安装完成后创建⼀个名称为tensorflow的环境： conda create --name tensorflow python=3.6
然后进⼊tensorflow环境中正式安装tensorflow-gpu
然后输⼊命令：
等待安装完成即可
下⾯进⾏tensorflow-gpu的测试
创建⼀个python⽂件，代码如下：
import tensorflow as tf
with tf.device('/cpu:0'):
a = tf.constant([1.0,2.0,3.0],shape=[3],name='a')
b = tf.constant([1.0,2.0,3.0],shape=[3],name='b')
with tf.device('/gpu:0'):
c = a+b
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(sess.run(c))
在刚才激活的tensorflow环境下进⾏运⾏：python + ⽂件名
结果如下：
-----然后我运⾏了⼀下之前⽤cpu训练的代码，gpu训练的速度就是快，原先cpu要训练七⼋个⼩时的代码，gpu⼀个⼩时不到跑完了，还是爽啊，虽然我知道我的显卡很垃圾，，，，
可以看到显卡使⽤的情况了，哈哈哈~~
总结
以上所述是⼩编给⼤家介绍的Win10下安装并使⽤tensorflow-gpu1.8.0+python3.6全过程（显卡MX250+CUDA9.0+cudnn），希望对⼤家有所帮助！。