在WIN10下安装tensorflow-gpu+cuda10.0+cudnn

• 前提
• • cuda10.0
  • cudnn 7.4
  • tensorflow-gpu1.13.1
  • 总结

前提

 年初在做tensorflow内容的学习时曾安装过一次tensorflow-gpu，当时使用cuda9.0+tensorflow-gpu1.9，尝试过安装高版本因为一路报错，试了多个版本后才成功。现在换了新电脑重新安装使用tensorflow。
 本文讲tensorflow-gpu1.13+cuda10.0+cudnn的具体安装过程。python环境是否使用conda管理没有关系，anaconda本身的numpy有一点问题，会有warning。本文使用python3.6

cuda10.0

CUDA(ComputeUnified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。
最新版 cuda10.1官网在年初就已经放出，tensorflow-gpu也推出了1.14，无论你选择哪个版本，一定要注意的一点就是版本匹配，如果版本不匹配，可尝试降低版本。高版本存在不匹配报错的情况。
cuda下载链接

选择local的下载不到2G的内容，下载速度还是可以的，安装过程会提示未安装vs（一直都会），部分组件可后续删除。
安装后默认路径>C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0
安装后会有如下环境变量：

此时需我们手动添加path：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\include
命令行nvcc -V查看安装版本,安装成功

cudnn 7.4

NVIDIA cuDNN是用于深度神经网络的GPU加速库。
cudnn下载地址，需要注册使用
下载前注意版本匹配， 将下载文件中的文件copy到cuda的根目录（上面那个）。

tensorflow-gpu1.13.1

使用pip工具即可，比较有趣的一点，如果同时安装cpu和gpu版，会优先使用cpu版。使用如下代码查看日志中的设备信息。

import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

实验发现，如果只有gpu版本，tensorflow-gpu1.12之前配置失败都不会正常运行，如果出现DLL load failed错误，一定是版本不匹配，在tensorflow-gpu1.13之后会默认用用cpu，会出现failed call to cuInit: CUDA_ERROR_UNKNOWN错误，除了cudnn版本问题，还有一个可能就是显卡驱动未更新。高版本cudnn如7.6需要最新的显卡驱动才可使用。

总结

1.三者版本匹配很重要最新的cudnn往往不支持最新的tensorflow-gpu，最好的方法就是使用之前版本更易稳定。
2.注意前置条件，原始的cpu版本要卸载掉，显卡驱动记得更新一下，如果自己的显卡真的是古董级别的话，就用低版本多试试吧。