【平台搭建】windows深度学习环境搭建-CUDA9.0、cudnn7.1、tensorflow_gpu1.10的安装（附软件网盘下载链接）

1.操作系统

本文中演示的操作系统是Win10。

2.软件下载

百度云盘下载链接：https://pan.baidu.com/s/1deY_94UJvPOlC1yIl3jbCw
提取码：jin9
本文作者在链接中上传了3个深度学习环境搭建所必需的文件，如下：

1. Nvidia出品，用于做并行计算的平台CUDA，版本为9.0，前提是电脑拥有Nvidia独立显卡。
   在做深度学习实验时，建议最低配置也需要Nvidia GTX1060的6GB显存版本。
   本文作者使用的是CUDA9.0，查看自己的电脑是否能够使用CUDA9.0，请查看本文作者的另外一篇文章《Windows系统查看CUDA版本号》，链接：https://www.jianshu.com/p/d3b9419a0f89
2. Nvidia出品，用于做深度学习加速计算的cuDNN库，版本为7.1。官方下载地址：https://developer.nvidia.com/rdp/cudnn-archive
3. Google出品，提供给开发人员的深度学习开发框架TensorFlow。
   其有2个版本，cpu版和gpu版，本文要安装的是gpu版本，因为gpu版本是cpu版本运行速度的50倍。

在这篇文章当中，本文作者只演示如何安装软件，使读者能够以最快的速度使用上深度学习的GPU加速。
学习如何从官网下载这些软件，请阅读另外一篇文章：《深度学习环境搭建-CUDA9.0、cudnn7.3、tensorflow_gpu1.10的下载》，链接：https://www.jianshu.com/p/c73668544925

3.安装CUDA9.0

本文写作的时候，市面上已经有CUDA11.0，但是没有与之对应的Tensorflow_gpu版本。
因为最新版的Tensorflow_gpu兼容CUDA9.0的版本容易从网上获取，即通过pip install tensorflow_gpu安装的版本是可以兼容CUDA9.0的。
选择下图中红色箭头标注处exe可执行文件，双击开始安装。

不要修改默认安装位置，直接点击OK，如下图中红色箭头标注处所示。

如下图所示，正在提取安装文件中的内容，等待即可。

上图运行完成后，回自动弹出NVIDIA安装程序，如下图所示。
在检测系统兼容性这一步，等待即可。

本文作者的显卡是Nvidia Tesla K40c，在下图中安装程序显示没有发现可以兼容的显卡设备。
因为CUDA9.0比K40c更早发布，所以没有找到是合理的，但是安装后仍然可以正常使用。
本文读者可能直接跳到“许可协议”这一步，则说明安装程序找到了可兼容的显卡设备。
点击下图红色箭头标注处，进入下一步。

许可协议不用仔细去阅读，点击下图红色箭头标注处，进入下一步。

安装模式选择精简，点击下图红色箭头标注处，进入下一步。

勾选下图中的上方红色方框标注处，然后NEXT按钮会亮起。
点击下图中的下方红色箭头标注处中的NEXT按钮，进入下一步。

安装界面显示Preparing for installation，即正在准备安装。

安装过程中部分截图如下图所示。

安装完成后，安装程序界面如下图所示。
点击下图中的下方红色箭头标注处中的下一步。

结束界面中两个可选项不用勾选。
点击下图中的下方红色箭头标注处中的关闭，安装CUDA9.0结束。

4.安装cudnn7.1

使用解压软件将压缩文件cudnn-9.0-windows10-x64-v7.1.zip解压到当然文件夹，具体操作示意图如下图所示：

解压后入下图所示，在文件夹cuda9.0下载中多了文件夹cudnn-9.0-windows10-x64-v7.1.zip点击进去就能看到cuda文件夹：

进入文件夹cuda，如下图所示。
文件夹cuda中有3个文件夹：bin、include、lib，和1个文件NVIDIA_SLA_cuDNN_Support.txt

选中文件夹cuda中的所有文件夹和文件，然后复制。
具体操作示意图如下图所示。

读者需要找到自己电脑的CUDA安装路径，如果上一章安装CUDA9.0是按照本文作者提示进行的，则路径应该和本文作者相同。
本文作者的CUDA安装路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0，如下图所示：

将文件夹cuda中复制的3个文件夹和1个文件复制到路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
具体操作示意图如下图所示。
注意，如果下图中的粘贴按钮不可使用，则重新复制文件夹cuda的3个文件夹和1个文件

如果读者操作正确，则粘贴后路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0中内容如下图所示。
从下图可以看出文件NVIDIA_SLA_cuDNN_Support.txt已经被成功复制到该路径下。
bin、include、lib这3个文件夹和路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0中的文件夹做了合并。

5.安装tensorflow_gpu1.10

5.1运行pip install命令安装本地WHL文件

使用WHL文件安装python中的库，使用的WHL文件如下图所示。

在键盘按住win+R的路径处输入cmd，如下图所示，然后按Enter键进入cmd工具。

读者需要观察cmd此时所在的路径是否为WHL文件所在的路径，如下图所示。

在cmd中输入命令：pip install tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl，然后按Enter键运行命令。
下图中上方红色箭头标注处表示cmd中运行的命令。
下图中下方红色箭头标注处表示成功安装。

5.2 运行pip install命令安装msgpack库

考虑到部分读者可能没有安装运行tensorflow必需的msgpack库。
在cmd中输入命令：pip install msgpack，然后按Enter键运行命令。

到这里为止，所有需要安装的软件和库已经完成，接下来只需要测试运行环境能否使用。

6.测试运行环境

在键盘按住win+R的路径处输入cmd，如下图所示，然后按Enter键进入cmd工具。
输入python，进入python环境。
输入以下测试代码：

import tensorflow as tf
hello1 = tf.constant('hello, tensorflow!')
session = tf.Session()
print(session.run(hello1))

第1次运行此命令时，程序需要大约2分钟自动配置tensorflow_gpu运行所需要的环境。
之后再运行此命令时，都不再需要重复配置tensorflow_gpu运行所需要的环境。
如果命令成功运行，结果如下图所示：

b'hello, tensorflow!'

7.总结

1. 本文作者提供3个安装文件在百度云盘的下载链接，读者可以直接下载安装，省去了自己下载的麻烦。
2. 本文详细介绍了tensorflow的gpu版本的安装细节，希望给入门深度学习的读者带来良好的起步。
3. 如果读者对细节有疑问，可以在评论区留言。
4. 不同读者的实际操作中，可能会遇到各种奇怪的困难，本文作者建议先将Nvidia相关驱动卸载干净后，重新安装Nvidia驱动，再实现本文当中的操作。
5. 如果一直出现找不到tensorflow库的错误，本文读者提示可以使用conda install tensorflow_gpu的方法先解决环境问题，然后再conda uninstall tensorflow_gpu，最后再实现本文当中的操作。
6. 本文借鉴的是深度学习环境搭建-CUDA9.0、cudnn7.3、tensorflow_gpu1.10的安装，非常感谢该文的帮助，有需要的进一步查看该文的介绍。