寫在前面
在搭建GPU加速環境時遇到了各種各樣的坑，在此記錄僅供他人蔘考和自己回顧。雖然網上有各種各樣的教程，但是個人感覺講的不是很明白，在這裏想再理理思路。
坦白說，起初連什麼是GPU加速都不太清楚，經過一番查閱瞭解才大致有個印象，有了一個整體思路的話，搭建環境會快很多，在搭建過程中，一定要時刻注意版本的對應。
CUDA
CUDA是英偉達公司推出的一款產品，能夠利用GPU的並行計算引擎，從而能夠解決更加複雜的任務，比如跑深度學習模型，GPU簡直比CPU快了一倍不止。其官方下載地址爲CUDA Tookits下載，下載之前一定要先瞭解到自己的環境，是Windows還是Linux，是哪一個版本，一定要確定好了再下載，否則很浪費流量、浪費精力！。
確定好自己的環境之後進行下載。下載後打開進行安裝（建議不要修改路徑），如下圖
等一個進度條之後就可以進行正常安裝了，按照安裝流程一路“確定”就可以了，其中安裝選項界面用精簡模式即可，比較懂的可以自定義，最終完成CUDA的安裝。
在這裏插入圖片描述
檢驗是否安裝成功的方式：
在CMD命令臺中，用nvcc -V進行測試，出現下圖測試結果即爲安裝成功
cuDNN
這個也是NVIDIA推出的用於深度神經網絡的GPU加速庫，它通常集成在高級別的深度學習庫中，如Caffe、tensorflow、Pythrch等，而tensorflow-gpu就是集成了cuDNN，它通過配置環境變量來調用cuDNN及CUDA。
cuDNN的環境要與CUDA搭配起來，詳情請見Tensorflow不同版本要求與CUDA及CUDNN版本對應關係，選好版本後到官網下載（得註冊賬號）
下載地址：cuDNN
下載好之後，解壓會看到如下圖所示的結果
其中bin和include目錄下都只有一個文件，將文件分別將其拷貝到CUDA的對應的bin和include目錄中(默認CUDA安裝目錄爲C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0)，也就是對CUDA做一個補充。
注意：千萬不要把CUDA本身的這三個文件目錄覆蓋，否則你會被坑的很慘(親身經歷)，最後將lib目錄下x64中的文件也拷貝到對應的路徑中。如下圖所示
配置環境變量：
將bin目錄、include目錄及lib下的x64目錄添加到系統環境變量path中。
示例如下圖，具體路徑根據自己的環境來
tensorflow-gpu
至此外部環境搭建的就差不多了，下面就可以安裝與cuDNN版本對應的tensorflow-gpu庫了，在安裝之前，如果已經安裝了tensorflow，一定要先刪掉(uninstall)這個庫，因爲tensorflow與tensorflow-gpu的目錄文件有重複，會覆蓋tensorflow的部分文件，然後就沒法正常執行程序了。
下載指令pip install tensorflow-gpu或者用conda安裝
版本對應關係仍見Tensorflow與cuDNN版本
環境測試
測試環境是否成功可使用下面的腳本
import os
import tensorflow as tf
import keras.backend.tensorflow_backend as KTF
# 指定第一塊GPU可用
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
config = tf.ConfigProto()
config.gpu_options.allow_growth=True #不全部佔滿顯存, 按需分配
# config.gpu_options.per_process_gpu_memory_fraction = 0.3
sess = tf.Session(config=config)
KTF.set_session(sess)
運行之後，看到自己的顯卡信息即爲配置成功，正確的執行結果如下圖
可以看到我的Tesla P4 GPU已經跑起來啦，至此環境搭建結束，歡迎繼續交流！