Win10下安装并使用tensorflow-gpu1.8.0+python3.6全过程分析（显卡MX250+CUDA9.0+cudnn）

环境配置背景与显卡确认

近期从GitHub获取了一段代码进行运行，但由于CPU训练耗时过长，决定尝试利用GPU进行加速训练。经过一整天的调试与配置，最终成功实现了GPU训练功能。

首先，需要确认计算机的显卡具体型号及性能参数。

经查询，本机配置的显卡型号为MX250。

接下来，打开NVIDIA控制面板，依次点击“系统信息”和“组件”，以查看当前系统支持的最高CUDA版本。

CUDA与cudnn安装配置

起初尝试下载并安装了CUDA 10.1版本，但随后发现tensorflow-gpu 1.8.0仅兼容CUDA 9.0。因此，不得不卸载CUDA 10.0并重新安装CUDA 9.0。这两个版本的安装流程基本一致。

访问NVIDIA官方开发者网站（https://developer.nvidia.com/cuda-toolkit-archive），在归档页面中查找与显卡信息相匹配的CUDA版本。需要注意的是，CUDA具有向下兼容性。

下载完成后，按照默认设置执行安装程序（用户也可自定义安装路径）。若计算机中已安装Visual Studio 2017，建议在安装过程中取消勾选“VS Integration”选项。

Integration

随后，按照提示一步步完成剩余的安装步骤。

验证CUDA是否安装成功：在命令行中输入nvcc --version。

CUDA的环境变量在安装过程中已自动配置，因此无需手动进行额外设置。

接下来安装对应版本的cudnn：访问https://developer.nvidia.com/cudnn。需先在该网站注册账户，然后下载与CUDA版本匹配的cudnn文件。

cudnn下载完成后进行解压，解压后的文件夹中包含三个特定目录。

将上述三个文件夹中的内容，覆盖到之前安装的CUDA路径下相同名称的文件夹中（默认安装路径与截图所示路径一致）。

TensorFlow GPU环境搭建

随后，开始安装tensorflow-gpu版本1.8.0。

由于所选版本较为陈旧，最新版Anaconda可能无法直接支持。此处使用的Anaconda版本为Anaconda3-5.1.0-Windows-x86_64，Python版本为3.6。安装时请务必勾选添加环境变量选项，以便自动配置路径。

安装完成后，创建一个名为tensorflow的虚拟环境：conda create --name tensorflow python=3.6。

激活tensorflow环境后，正式在该环境中安装tensorflow-gpu。

执行以下安装命令：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.8.0

等待命令执行完毕，安装即告完成。

功能测试与性能对比

接下来对tensorflow-gpu进行功能测试。

创建一个Python文件，并编写如下测试代码：

import tensorflow as tf
with tf.device('/cpu:0'):
 a = tf.constant([1.0,2.0,3.0],shape=[3],name='a')
 b = tf.constant([1.0,2.0,3.0],shape=[3],name='b')
with tf.device('/gpu:0'):
 c = a+b
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(sess.run(c))

在之前激活的tensorflow环境中运行该Python文件：python + 文件名。

运行结果如下所示：

随后，使用之前用CPU训练的代码进行对比测试。GPU训练的速度明显更快，原先CPU需要七八个小时才能完成的训练任务，在GPU上一个小时内便已完成。尽管显卡性能有限，但效果依然令人满意。

此时可以观察到显卡的使用情况，运行状态正常。

总结

以上即为在Win10系统下安装并使用tensorflow-gpu 1.8.0配合Python 3.6的完整过程（涉及显卡MX250、CUDA 9.0及cudnn配置），希望能为读者提供有益的帮助。