保姆级教程深度学习环境配置(GPU版本)（Anaconda+Pycharm+CUDA+cuDNN+Tensorflow）--序言

lz历时一周，终于配置好了深度学习环境，其过程可谓是一波三折。接下来，我就手把手把我的安装流程、遇到的困难，解决办法以及我的理解分享给大家。

对于非计算机专业，刚刚入门深度学习的小伙伴，突然面临这么多繁杂的名称，肯定摸不着头绪，无从下手，接下来，我将就安装顺序以及各个软件是干什么的做下简单的介绍：

※注:GPU版本只适用于英伟达NVIDIA的显卡（GPU），务必看下自己的电脑里有无英伟达显卡

查看步骤：任务管理器——>性能；即可查看到自己电脑的GPU信息

推荐安装顺序: Anaconda-->Pycharm-->CUDA-->cuDNN-->Tensorflow（gpu）

Anaconda：在我看来，Anaconda更像是一栋大楼，而我们配置的各个不同的环境则是这栋大楼里的一个个房间。环境的名称则是我们给每个房间的命名or编号。当我们在做不同的项目（Project）时，很可能需要不同的环境，此时只需要把不同的项目（Project）放在我们在Anaconda中创建的与其相兼容的环境（env）中 即可运行。在Anaconda中，几乎有各个版本的库，python编辑器等等。

Pycharm ：Pycharm是一款优异的IDE软件。他在我看来则是方便我们运行项目，调试代码的一个更好的集成开发平台。在Pycharm中，我们可以创建不同的项目（Project），并且为其搭配我们在Anaconda中提前搭配好可以兼容的环境（env），以及每个环境中的python编辑器（Interpreter）。在Pycharm窗口界面，我们可以很清晰地看到项目中各个文件（file）的Python代码，以及代码运行的结果。而且Pycharm支持语法高亮等功能，更容易帮助我们发现代码中的错误。

CUDA：是一种由NVIDIA推出的通用的并行计算架构，该架构使GPU能够解决复杂的计算问题。通俗一点来讲，当我们使用GPU进行计算时，CUDA是必不可少的

cuDNN：NVIDIACUDA®深度神经网络库（cuDNN）是GPU加速的用于深度神经网络的原语库。cuDNN为标准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。目前，全球的深度学习研究人员和框架开发人员都依赖cuDNN来实现高性能GPU加速。它使他们可以专注于训练神经网络和开发软件应用程序，而不必花时间在底层GPU性能调整上。

Tensorflow: 是AI开发项目的工具箱，是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现。