目錄
5 將tensorflow-gpu環境導入到Pycharm中
【前言】
1.tensorflow-gpu版本的安裝相對來說複雜一些，因爲需要考慮版本匹配的一些問題，很容易出問題，不過和前面安裝cpu版本的過程基本一致， 我用了幾個小時的時間最終安裝成功，下面和大家分享一下我的安裝過程。
2.安裝環境
操作系統：64位win10
GPU：GTX1050+CUDA9.0+cuDNN7.6.5
IDE:Anaconda、Pycharm
框架和解釋器：tensorflow-1.5.0-cp36-cp36m-win_amd64 + python3.6
【安裝過程】
1 查看是否支持GPU
1.1 依次打開“控制面板-硬件和聲音-NVIDIA控制面板”，然後點左下角的“系統信息”，查看GPU型號，如下圖：
AMD的顯卡是不支持的，檢查顯卡的計算能力請訪問英偉達官網 。
1.2 參考TensorFlow官網對安裝GPU版本的需求說明，需要CUDA、cuDNN和英偉達GPU計算能力大於3的顯卡。
還可以查看GPU和軟件的版本對應關係，好多人在這裏踩了一個大坑，如圖：
2 安裝CUDA9.0
CUDA是基於C語言的可以讓代碼直接在GPU中運行的控制語言，所以第一步需要安裝CUDA9.0，內含NVIDIA驅動程序（自定義安裝時可以選擇是否安裝驅動）。
好多人在這裏糾結該安裝哪個版本，其實不用太糾結，根據上面的匹配表選擇你想安裝的版本即可。我的顯卡驅動是9.2的，但是爲了匹配tensorflow版本，安裝了個CUDA9.0的，二者不衝突，而且安裝後能夠在控制面板裏看到。
2.1 CUDA官方說明（感興趣可看一下）
下載地址：點擊這裏（win10 local安裝）
選擇合適的版本下載，右面的是下載下來進行安裝，選這個即可，把下面的幾個需要下載的文件都下載下來，是exe可執行文件，如果發現不是可執行文件，注意覈查下載好的文件名，修改成“.exe ”。
2.2 安裝CUDA
幾個文件下載好之後挨個點擊進行安裝即可，會先檢查系統兼容性，然後選擇安裝方式。程序默認的精簡模式應該可以理解爲安裝所有東西，其中包括了我暫時不用的VS編譯器和顯卡驅動，所以我選擇的是自定義模式。
接下來是選擇安裝路徑。在其他博文中看到有的人更改安裝路徑會出現一些問題，不能安裝完全，我沒試，直接按照默認路徑進行安裝的，這樣也便於下面配置環境變量，一路Next 直到完成即可。
其他的幾個patch直接運行安裝即可。
2.3 配置環境變量
安裝成功後在系統的環境變量中會自動添加兩個變量，如圖：
但是這還不夠，我們還需要再添加幾個系統變量（根據實際安裝版本和路徑添加，一樣版本和默認路徑的可直接複製粘貼）：
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64
添加完之後的樣子，如圖：
下一步在系統變量Path裏添加變量，雙擊Path添加如下變量（同樣根據實際路徑填）：
%CUDA_LIB_PATH%
%CUDA_BIN_PATH%
%CUDA_SDK_LIB_PATH%
%CUDA_SDK_BIN_PATH%
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0\common\lib\x64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0\bin\win64
2.4 檢驗是否安裝成功
打開cmd命令窗口，切換路徑（注意根據實際路徑）
cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\demo_suite
分別運行以下命令
bandwidthTest.exe
deviceQuery.exe
若分別返回成功，則安裝成功，如圖：
3 安裝cuDNN
cuDNN是CUDA的庫，易於寫代碼。下載需要先註冊爲英偉達賬號，直接用社交網絡賬號登陸就行，然後按提示進行即可。
3.1 下載地址：點擊這裏
注意和前面的表格裏的版本要求相匹配，這裏我下載的是7.6.4，如圖
3.2 解壓下載好的文件
解壓後進入文件夾，按照下面的要求將文件放到相應的位置：
將.h .lib 和.dll 文件分別拷貝到cuda對應路徑下的include, lib/x64, bin 文件夾下，對應關係如下圖，下面是解壓的文件夾：
到這裏就安裝好了CUDA9.0及其對應的cudnn文件，艱難的路程已經基本走完。
4 安裝tensorflow-gpu
之前使用Anoconda安裝了cpu版本的tensorflow，這裏還藉助Anaconda進行安裝，會大大簡化安裝工作，條理清楚。Anaconda的安裝很簡單，可以參考這篇博文：點擊這裏。
4.1 創建環境
打開Anaconda Prompt
在命令窗口輸入命令創建環境
conda create -n tf-gpu python=3.6
其他三個常用命令
#刪除環境：
conda env remove -n tensorflow
#激活環境：
activate tensorflow
#取消激活：
deactivate
4.2 下載安裝tensorflow-gpu
激活tf-gpu環境，進行安裝
activate tf-gpu
（1）方法一：在線安裝，使用pip下載
運行下面的命令下載並安裝
pip install --ignore-installed --upgrade tensorflow-gpu
（2）方法二：離線安裝（可以選擇自己想要的版本，並且使用下載工具下載會更快）
tensorflow-gpu下載地址：點擊這裏
下載的版本要和之前的表格對應適配，我下載的版本：tensorflow-1.5.0-cp36-cp36m-win_amd64.whl
下載好之後，在當前環境下切換到下載目錄，使用以下命令進行安裝
pip install tensorflow安裝包名稱
提示：如果還是提示需要更新pip的話按照提示進行更新再重新安裝即可，更新：
python -m pip install --upgrade pip
至此，tensorflow已經安裝完，可以使用python查看一下：
在當前環境下運行python：
python
然後打印tensorflow的版本
import tensorflow as tf
tf.__version__
然後會打印出如下結果
5 將tensorflow-gpu環境導入到Pycharm中
依次點擊File-settings
然後按照下圖，打開Show All
按照下圖順序，將anaconda中envs裏tf-gpu環境下的python添加 進去即可，可以使用Pycharm體驗GPU的運算速度了。
6 測試程序
這裏我運行了一個風格遷移的程序，使用CPU版本的tensorflow用時爲二十多分鐘，使用GPU版本跑同樣的程序，只用了5分鐘，速度確實喜人！
一開始運行過程中還出現了一些錯誤，無非是缺少了一些庫啥的，按照提示安裝上就可以了，其中有倆錯誤記錄一下：
（1）AttributeError: module 'scipy.misc' has no attribute 'imread'報錯問題
網上的解決辦法都說沒有安裝PIL第三方庫，庫名現在爲Pillow，推薦直接使用命令pip install Pillow進行安裝。實際上我已經安裝了，但還是繼續報錯AttributeError: module 'scipy.misc' has no attribute 'imread'。
最後發現是scipy的版本問題， 降級到scipy==1.2.1就可以完美解決了。
pip install scipy==1.2.1
（2）運行時出現 shed with exit code -1073740791 (0xC0000409) ，如圖
有其他博主說的減小batchsize，但該方法未能解決；查到是顯卡內存不足的問題，在程序中添加如下代碼即可解決：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
如圖
【補充】
這裏可以查看CDA 版本和驅動的匹配關係：點擊這裏
