基于Anacoda搭建虚拟环境cudnn6.0+cuda8.0+python3.6+tensorflow-gpu1.4.0

！一定要查准cudnn，cuda，tensorflow-gpu对应的版本号再进行安装，且本文一切安装均在虚拟环境中完成。

下文以笔者自己电脑为例，展开安装教程阐述（省略anaconda安装教程）：

1.查询电脑CUDA版本

 2. 确认对应的cudnn，cuda，tensorflow-gpu版本号（链接）

3.如果先前安装过tensorflow-gpu，先进入已有的tensorflow环境，进行卸载（没有安装过，此条可忽略）

 

activate tensorflow 
pip3 uninstall tensorflow-gpu
pip3 uninstall tensorflow-tensorboard

conda env list  #检测目前安装了哪些环境

4.创建虚拟环境并进入（在anaconda prompt终端执行）

conda create -n tensorflow python=3.7 #（tensorflow：自己取的tensorflow环境名，Python：对应的python版本）
conda ativate tensorflow

 5.安装cuda，cudnn

　　5.1 因为直接pip install cuda = 8.0 很容易环境出错，尽量还是避免；本文找到了镜像（链接），直接下载安装包；

　　

　　5.2 进入终端，cd 路径到安装包路径，如下图

　　

 　　　　

 　　5.3 安装cudatoolkit和cudnn-cuda安装包

conda install cudnn-7.1.4-cuda8.0_0.tar.bz2

　　

 　　5.4 但是我安装的cudnn是7.0+版本，而我需要的是6.0版本，所以我另外在anaconda navigator图形化界面进行版本更新。P：如果无法打开navigator图形化界面可参考该文章（链接）

　　

　　一般出现这个错误提示，代表版本不对应。

 至此，cuda和cudnn对应的版本已安装完成。

6. 安装tensorflow-gpu （最好用pip，conda命令可能引起不必要的麻烦）

pip3 install tensorflow-gpu==1.4.0 

7. 验证是否安装成功

进入Python环境；输入 

import tensorflow as tf #进入tensorflow

tf.__version__  #tensorflow-gpu版本

　　

  注：当出现 蓝框warning时，是提示tensorflow2.0 以下 最好：用numpy 1.16.+版本；输入以下命令即可。

pip install -U numpy==1.16.4

其他问题（tensorflow-gpu安装过程中出现的tf.test.is_gpu_avaiable()返回false的一部分解决方法）

8. 虚拟环境键入pycharm编辑器；可借鉴该文章（基于conda pycharm 的tensorflow安装配置）

9. 测试

import tensorflow as tf
import numpy as np
 
# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300
 
# 构造一个线性模型
#
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b
 
# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
 
# 初始化变量
init = tf.initialize_all_variables()
 
# 启动图 (graph)
sess = tf.Session()
sess.run(init)
 
# 拟合平面
for step in range(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print (step, sess.run(W), sess.run(b))
 
# 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]