前年冬天装了一套1080Ti平台，因在外地上学没时间折腾闲置。因为电脑用的RAID1矩阵，加上平时做ML用的都是Linux，突发奇想直接在Win10上部署TensorFlow-GPU加速。既然搞了，那就搞最新的一套。本教程采用NVIDIA官方思路，结合NVIDIA Documentation，尝试搭建了基于CUDA 10、cuDNN7.6.2的TensorFlow-GPU计算平台。并在文末给出了基准功能测试方法。
关键字：简洁、快速、最新
笔者台式机配置：（其他硬件配置的预测基于同架构产品驱动程序一致性，与不同架构产品指令集一致性）
Desktop: CPU:Intel Core i7 7700k/All family supported after 2nd Generation GPU:NVIDIA Geforce GTX 1080Ti(CUDA Support List:https://www.geforce.com/hardware/technology/cuda/supported-gpus) Memory:Kinston 16GB@DDR4 2600MHZ(The bigger, the better) Other hardware are not listed in the interest of points..
下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
安装的第三个界面选择All Users，并在Advanced Options选项卡将两个选项全选。之后一路下一步。（不需要安装VS Code）
首先安装显卡驱动程序：https://www.geforce.com/drivers
下载GPU加速套件：
链接：https://pan.baidu.com/s/1g6N6b-vg4XHmuA_AlpeaQw 提取码：5qhk 若百度云速度较慢有两个办法： 一：https://download.csdn.net/download/qq_25982223/11461164 二：自行到官网下载 百度 CUDA10，在NVIDIA官网下载。 百度 cuDNN，在NVIDIA官网下载 cuDNN 7.6.2（适配CUDA10）。先安装CUDA，再安装cuDNN。
（默认无需配置环境，若需要配置，打开开始菜单键入run回车，键入control sysdm.cpl回车，选择环境变量，方法如下）
在系统变量里添加这样两行并确认保存即可。
输入：pip install --ignore-installed --upgrade tensorflow-gpu 以安装TensorFlow-GPU。
注：
更快的方法：若你已经下载了第二步中我提供的资源包，则只需要将里面TensorFlow安装包放到桌面，并在Anaconda Prompt里运行这样的命令：
cd /
cd Users
cd （你的用户名，可以在C:/Users/里看到）
cd Desktop
pip install tensorflow_gpu-1.14.0-cp37-cp37m-win_amd64.whl
这是使pip读取本地的whl包，跳过了从网络上下载较慢的特征。
注：此方法是在base环境安装平台。一般来讲已足够。不同的Conda环境可部署不同Python，实现多个版本共存等。若要新建、切换、删除Conda环境，可参考：https://blog.csdn.net/wz947324/article/details/80228679
到这里，TensorFlow-GPU的安装就完成了。你可能会疑问为什么这么快，这是因为笔者把所有的坑都走了一遍，往往找到配套的CUDA和cuDNN的过程需要时间，但在这之后我给出了最恰当的路线（通常也是最快的）。这里给出校验安装的方法，若能运行通过则证明安装恰当。
在Anaconda Prompt上进行测试:
安装Keras（高级TensorFlow-API库）：
输入 pip install keras
输入 python
输入
import keras import tensorflow as tf若返回为
Using TensorFlow Backend且没有报错，证明安装恰当。
若第二步中文件的百度云速度较慢，我已将资源上传至。
https://download.csdn.net/download/qq_25982223/11461164
转载注明：realkris Zhang
引用地址：https://blog.csdn.net/qq_25982223/article/details/98116278
