共计 1563 个字符，预计需要花费 4 分钟才能阅读完成。
1. 搭建 Python 环境
长话短说，间接应用 Anaconda 装置 Python 环境以及一些罕用的软件包
官网比较慢，能够应用清华的开源镜像站下载适合的版本：
https://mirrors.tuna.tsinghua…
本文应用的是 Anaconda3-2018.12-Windows-x86_64 版本
装置过程不再赘述，记得把不举荐的「配置环境变量」选项选上
装置胜利后，能够查看 python 版本：
2. 装置 NVIDIA 驱动程序
官网地址：https://www.nvidia.cn/geforce…
留神：搜寻适合的驱动程序之后，会默认下载 DCH 版本驱动，装置时可能会呈现以下问题
所以，在下载时，须要将链接中的 dch 去掉，下载标准版驱动
上边那个才是标准版的，不要下载成下边的 DCH 版本的了
3. 装置 CUDA
CUDA (Compute Unified Device Architecture) 是一种由 NVIDIA 推出的用于自家 GPU 的并行计算架构，该架构使 GPU 进行能够大量并行计算，可能解决简单的计算问题。
CUDA 的实质上就是一个工具包（ToolKit），本文抉择的是 CUDA 10 版本
装置胜利后去 cmd 执行 nvcc -V，能够看到版本号信息
4. 装置 CUDNN
如上所述，CUDA 并不是针对于神经网络的 GPU 减速库，它是面向各种须要并行计算的利用而设计的。为了可能更疾速的训练神经网络，还须要额定装置 cuDNN。
NVIDIACUDA®深度神经网络库 (cuDNN) 是 GPU 减速的用于深度神经网络的原语库。
援用
cuDNN 为规范例程提供了高度优化的实现，例如向前和向后卷积，池化，规范化和激活层。
也就是说，能够将 cuDNN 了解为是一个 SDK，是一个专门用于神经网络的减速包，本文抉择的是 cuDNN v7.6.5.32 版本
解压 cnDNN 压缩包，将其中的 cuda 文件夹复制到 CUDA 的装置目录中，本文应用的是默认门路：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0
解压实现后，须要在零碎变量的 Path 变量中减少其 bin 门路，并将该项置顶：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\cuda\bin
5. 装置 TensorFlow
装置 Anaconda 时，同时装置上了 Python 包管理工具 pip，这里就能够间接应用 pip install 命令装置 TensorFlow 了
为了减速装置，应用 - i 命令装置清华源的包，本文装置的是 TensorFlow GPU 的 2.0.0 版本：
pip install -U tensorflow-gpu==2.0.0 -i https://pypi.tuna.tsinghua.ed…
装置时可能某些包会呈现一些谬误，比方 wrapt 装置失败
执行命令独自装置下那些出错的包就好了，比方：
pip install -U –ignore-installed wrapt
而后重新安装 TensorFlow 即可
6. Hello World
装置好了，连忙去 Hello World 一下
在 cmd 输出 ipython，而后执行
import tensorflow as tf
如果呈现了 numpy 相干的谬误，能够是因为版本不匹配导致的
应用 pip show numpy 命令查看到以后的 numpy 版本是 1.15.4，而后应用清华源装置最新的 numpy
pip install –upgrade numpy -i https://pypi.tuna.tsinghua.ed…
将版本升级为 1.21.4
再去试试
至此，TensorFlow 算是装置实现了。
参考鸣谢
安装包：https://blog.csdn.net/zimiao5…
清华源：https://pypi.tuna.tsinghua.ed…
