本文电脑：
win10 64位家庭中文版 1803版本，i7-8000HQ ；显卡：GTX1050i;
CUDA版本：cuda_9.0_win10.exe （[链接：CUDA 9.0]
提取码：lxr3
cudnn版本：cuDNN v7.1 (Dec 5, 2017), for CUDA 9.0
提取码：f7eo
Tensorflow-GPU 1.8.0
Keras 2.1.5
Keras-Applications 1.0.8
Keras-Preprocessing 1.1.0
Python 3.6
Step 1:安装CUDA 9.0
上图是选择win10 64位 cuda9.0本地安装文件下载的截图，下载后点击运行cuda_9.0.176_win10.exe，安装时会让你选择一个文件夹作为抽取文件临时存放，记住这不是安装文件夹，安装文件夹系统会自动安装到C盘，临时文件夹安装完后会自动删除。
安装完之后CUDA_PATH_V9_0和CUDA_PATH这两个系统变量会自动为你添加上。
环境变量配置：
cuda9.0安装完成之后在系统环境变量中自动配置了两个系统变量
CUDA_PATH：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
CUDA_PATH_V9_0：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
Step 2:安装CUDNN 7.0
下载cudnn时需要注册填写信息，选择支持cuda9.0的cudnn,我选择的是cudnn7.0.5, 7.1可能有些不兼容.下载完，解压cudnn,会出现四个文件，如下：
在cuda安装完后，系统自动在C盘的Program Files文件中创建了NVIDIA GPUComputing Toolkit文件夹，你可以找到如下路径：
你可以发现在这个v9.0目录下也有类似cudnn中的文件夹。将cudnn的bin,include,lib中的内容 拷贝到v9.0的bin,include,lib对应目录下，提示替换的话点击OK。完成，最好重启一下电脑。OK。
此外在你环境变量PATH中添加如下内容：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include）
安装完毕后测试cuda版本：
打开cmd，输入如下指令：
nvcc -V
Step 3 Anaconda下安装Tensorflow-GPU 1.12.0
前提是你已经安装好了anaconda，点击Anaconda Prompt ( 类似cmd窗口)；
新建一个python=3.6的环境（由于win10下tensorflow只支持python3）
(base) C:\Users\chens>conda create --name TFGPUP3.6 python=3.6
上面指令是创建了一个环境名为TFGPUP3.6的环境，该环境中python版本为3.6
随后会下载相应依赖库文件，安装python3.6;待环境创建完毕，激活环境；
(base) C:\Users\chens>conda activate TFGPUP3.6
激活后，命令提示行会以(TFGPUP3.6) 开头，然后在该环境中安装tensorflow-gpu ，conda无安装包，用pip 如下图：
(TFGPUP3.6) C:\Users\chens>pip install --ignore-installed --upgrade tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple
命令中的链接是清华镜像，下载对应的资源速度较快。
如上图，是安装相应的依赖库，包文件。最后提示Successfully installed absl-py-0.7.0 astor-0.7.1 gast-0.2.2 grpcio-1.18.0 h5py-2.9.0 keras-applications-1.0.6 keras-preprocessing-1.0.5 markdown-3.0.1 numpy-1.16.0 protobuf-3.6.1 setuptools-40.7.0 six-1.12.0 tensorboard-1.12.2 tensorflow-gpu-1.12.0 termcolor-1.1.0 werkzeug-0.14.1 wheel-0.32.3
验证至看到显卡信息则成功,输入如下代码：
python
import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
输出一些显卡的信息以及设备号：
使用下列代码测试TF安装正确性
import tensorflow as tf
hello = tf.constant(‘Hello, TensorFlow!’)
sess = tf.Session()
print(sess.run(hello))
Win10下的nvidia-smi在 C:\Program Files\NVIDIA Corporation\NVSMI 目录内。
可以使用该目录下的nvidia-smi查看显卡使用状态（如下图指令）；
参考：
https://blog.csdn.net/u010103202/article/details/79620551
https://blog.csdn.net/jacke121/article/details/78205845
https://blog.csdn.net/u010440456/article/details/82424894
https://blog.csdn.net/xuefengyang666/article/details/79422012
https://blog.csdn.net/gyp2448565528/article/details/79451212
https://www.cnblogs.com/sorex/p/7615185.html