Win10安装tensorflow-gpu1.8.0+python3.6 Win10下安装并使用tensorflow-gpu1.8.0+python3.6全过程分析（显卡MX250+CUDA9.0+c

-----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。

进入官网：https://developer.nvidia.com/cuda-toolkit-archive 找到和显卡信息相匹配的cuda（cuda是向下兼容的）

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

下面安装对应版本的cudnn：https://developer.nvidia.com/cudnn 在这个网站先创建账户，再下载对应版本的cudnn

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：

pip install -i http://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.8.0

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！