0、寫在前面
之前其實安裝過一次tensorflow，但是由於電腦中毒，重裝了系統，把所有的環境全部刪除了。之前在博客里轉發了一篇別人在win10安裝tensorflow的教程，但是版本比較舊了，所以這次決定自己寫一下。
1、環境說明
這次安裝tensorflow是在Win10（1909）版本下，基於anaconda安裝的。anaconda隔離管理多個環境，互不影響，比較方便。
2、安裝anaconda
2.1 下載
這里選擇python 3.7版本的下載，根據自己系統實際的位數，下載對應的版本。 下載地址
2.2 安裝
安裝過程其實默認就可以，有兩個地方可以設置一下：
2.3 檢查安裝結果
進入windows的命令行模式：
2.3.1 檢測Anaconda環境是否安裝成功（查看Anaconda版本號）：conda --version
2.3.2 檢測目前安裝了哪些環境變量：conda info --envs
2.3.3 查看當前有哪些可以使用的tensorflow版本：conda search --full --name tensorflow
3、新建虛擬環境
3.1 創建環境tfenv並安裝python3.7：conda create --name tfenv python=3.7
3.2 查看是否安裝成功
這里可以使用 2.3.2 中的命令查看是否成功安裝環境
4、安裝tensorflow
4.1 GPU版？CPU版？
| 判斷條件 | 結果 |
|---|---|
| 顯卡是否為NVIDIA系列顯卡？ | 是 = GPU；否 = CPU |
| 若是NVIDIA系列顯卡，計算能力如何？ | 大於等於3.5 = GPU；小於3.5 = CPU |
解釋：
（1）首先，查看自己電腦顯卡的型號。如果顯卡是NVIDIA系列的，繼續下面步驟；如果顯卡不是NVIDIA系列的，直接裝CPU版。
（2）然后，如果是NVIDIA系列的，則查詢該顯卡的計算能力。詳見：查詢計算能力。點開自己顯卡對應的系列，查看自己顯卡的GPU計算能力（即，Compute Capability）。如下圖，顯卡NVIDIA GTX 1050對應的計算能力為6.1。
（3）最后，到官網查詢發布的GPU支持，查看硬件要求。本文查詢時的標准是3.5（如下圖）。如果計算能力≥3.5，可以裝GPU版；相反<3.5的只能選擇CPU版了。
（4）GPU和CPU兩個版本沒有太大的區別，只是計算的快慢問題，GPU版本的計算更快。
4.2 版本號如何選擇？
4.2.1 CPU版本的基本沒有特別的限制，選擇適合自己的就行。
4.2.2 確認自己的顯卡可以支持GPU版之后，Tensorflow-GPU版本的選擇主要看兩個指標：CUDA和cuDNN。需要下載安裝CUDA和cuDNN
4.2.3 CUDA版本的選擇：它依賴於顯卡的驅動程序版本，如下表，參考官方文檔。與下表進行對照選擇兼容的CUDA版本。
如：我電腦的的驅動程序版本號為：417.22，所以對應的CUDA Toolkit版本應為10.0版本
4.2.4 確認cuDNN對應於CUDA的版本。參照tensorflow官網給出的標准，如下表。然后從Nivdia官網下載對應版本的cuDNN。
| 版本 | Python 版本 | 編譯器 | 編譯工具 | cuDNN | CUDA |
|---|---|---|---|---|---|
| tensorflow_gpu-1.13.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.12.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.11.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.10.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.9.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.8.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.7.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.6.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.5.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.4.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 |
| tensorflow_gpu-1.3.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 |
| tensorflow_gpu-1.2.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
| tensorflow_gpu-1.1.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
| tensorflow_gpu-1.0.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
根據上圖，根據對應的版本號，要安裝對應的CUDA 和 cuDNN 的版本，對於版本號大於1.13的tensorflow-gpu版本，如1.14、1.15和2.0，要安裝CUDA10.0，不要安裝最新的CUDA10.1，安裝后會提示缺少很多庫文件，而導致GPU版本的tensorflow無法使用，如下圖所示：
4.2.5 根據上述的CUDA和cuDNN版本號，可以確定我們要安裝的tensorflow版本號，如，根據我本機，CUDA安裝10.0版本，cuDNN安裝7.6.4版本，那我選擇tensorflow-gpu-1.15版本安裝。
4.3 安裝CUDA以及cuDNN
4.3.1 下載安裝CUDA Toolkit
CUDA下載鏈接。記得下載 local 版本（即完整版，network版為精簡版）。
4.3.2 安裝CUDA
安裝CUDA有兩種方法：
第一種：先裝好對應CUDA需要的版本號，在裝CUDA時選擇不要重新安裝驅動
第二種：卸載掉已存在的驅動即確保系統上沒有安裝驅動，直接安裝CUDA
這里選擇第二種方法，故先卸載掉原來的NVIDIA驅動。卸載完成后，打開安裝程序，安裝路徑可以默認也可以自定義。之后點擊ok就行。
經過漫長的等待，來到了NVIDIA軟件許可協議，同意許可協議，並繼續
選擇高級
默認全選
這里要記住安裝路徑，可以更改自己的路徑
勾選，繼續下一步
接下來就是漫長的等待……
安裝完成后，重啟即可，系統會自動添加環境變量。
驗證是否安裝成功：win + R，輸入：powershell，執行命令：nvcc -V
4.3.3 下載 cuDNN
cuDNN下載地址 下載需要登錄NVIDIA賬號。
下載完成后，會得到一個壓縮包：cudnn-10.0-windows10-x64-v7.6.4.38.zip
4.3.4 安裝cuDNN
將下載的壓縮包，解壓並按下表的對應關系，將解壓出來的文件復制到CUDA安裝的對應路徑下：（注意是路徑中的文件）
這里要根據自己的情況來，圖中是我的解壓和安裝路徑：
添加環境變量：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64
4.4 安裝tensorflow
自帶的源鏡像站下載可能比較慢，這里可以選擇修改為【清華大學鏡像站】：
打開Anaconda
在這邊更改為我們前面創建的虛擬環境tfenv，並點擊旁邊的按鈕Channels：
點擊add，並添加【中國科技大學鏡像站】的地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/並回車，在這也可以將默認的鏡像站刪除，點擊Update channels即可。
打開命令提示符，激活3.1創建的虛擬環境tfenv：activate tfenv
安裝TensorFlow-GPU-1.15.0：pip install tensorflow-gpu==1.15.0 ， 安裝CPU版本的命令： pip install tensorflow==1.15.0 ，等於后面為要安裝的tensorflow版本號
安裝成功后，如果出現.dll文件無法加載情況，需重啟電腦！
4.5 測試
4.3.6.1 測試GPU是否工作，來自某位大佬的代碼，裝CPU版本的可以略過。
如果都是TRUE安裝成功。
代碼：
import tensorflow as tf
a=tf.test.is_built_with_cuda()
b=tf.test.is_gpu_available(cuda_only=False,min_cuda_compute_capability=None)
print（a）
print(b)
4.3.6.2 測試代碼
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
輸出：b'Hello, TensorFlow!'