Ⅰ 安装anaconda,cuda,cudnn

step1安装anaconda,搭建python3.6环境

简介：
Anaconda一个用于科学计算的Python发行版,支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。
Anaconda利用工具/命令conda来进行package和environment的管理，并且已经包含Python和相关的配套工具。
安装：
官网下载直接安装，官网最新版本是3.7，我安装在D盘，路径为D:\Anaconda3，但是tensorflow还不支持python3.7，所以我在安装完后又对其进行降级变为3.6版本。
回退至python3.6：
打开anaconda prompt，输入命令 conda install python==3.6，等待提示（y/n），输入y，等待，会提示done，这样的话，就表示python3.7已经退回到python3.6了。

o(￣▽￣)ブ~此时python3.6环境已经准备完成！！！

step2确认显卡所支持的CUDA版本并进行下载

查看版本
1、开始栏搜索控制面板->搜索NVIDIA->nvidia控制面板->点击导航栏帮助->系统信息，查看您的驱动程序版本，CUDA核心数字；

2、查看组件信息，查看NVIDIA.DLL后缀，现实的是当前显卡所支持的最高CUDA版本；

3、确认当前所安装的cuda最大版本为cuda9.0,接下来下载cuda进行安装。

！！当然如果你不确定，可以打开NVIDIA，截图如下，可通过cuda核心数再次确认版本是否准确，新版本还是推荐查看。

下载
上链接打开后进入的是官网，要通过一系列寻找才能找到所需要版本。

个人建议在搜索栏直接输入相对应的版本进行搜索，点开官网就直接出现你所要版本，直接下载方便的多。

我下载的是cuda9.0版本链接，可以选择local(本地）安装，也可以选择network(网络）安装，我选择的是本地，这个因人而异。同时，还有四个补丁文件要一同下载。

安装
1、点击exe直接运行文件，自定义安装路径，我定义在了D盘（自定义路径文件夹的名字不要和默认差太多，方便管理，也好寻找）

2、位置定义好了点击ok，显示cuda setup，.....等待... 3、cuda自动检查版本兼容性（如果不匹配这一关过不去的）

4、选择自定义安装，之后不要勾选第一项里的vs。如果不适用默认路径最根据默认路径进行修改，不要保存的乱七八糟。我保存的是D:\Nvidia

5、接下来就安装完成，几个补丁安装到与cuda安装位置相同的文件夹（D:\Nvidia\CUDA)，安装每个补丁选择位置的时候都会找不到CUDA文件夹，不要担心，再新建一个同样名字的文件路径安装就好。

step3确认cudnn版本号进行下载

1、查看版本
NVIDIA-cudnn可以查看cuda版本所对应的cudnn，下载时注意与你的pc机os等信匹配，下载对应的cudnn文件。

PS：我觉得官网网速真的很慢，基本处于停滞不前状态，所以还是推荐找资源.。

2、安装

我下载的是7.0.5，下载后将cudnn压缩包解压会得到一个cuda文件夹，之后按照如下进行复制（这是我的文件目录，大家自行修改）

step4配置环境变量

1、右键我的电脑——>属性——>高级系统设置——>环境变量；
2、可以看到系统中多了CUDA_PATH和CUDA_PATH_V9_0两个环境变量
3、接下来，还要在系统中添加以下几个环境变量：

CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\9.0
(这是默认安装位置的路径，经自定义路径后，我的路径为D:\NVIDIA\CUDA Samples\v9.0）
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH=%CUDA_SDK_PATH%\common\lib\x64\

4、在系统统变量 PATH 的末尾添加：

%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;

再添加如下4条（默认安装路径）：

  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64； C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin； C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0\common\lib\x64； C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0\bin\win64；

如果选用了自定义路径，上述这些默认路径都应该相应替换为你的自定义路径，如下为我的环境变量配置情况，path就不上图了：
（：我个人觉得这一步有点多余了，系统自动添加的环境变量已经够了，但是为了防止出问题，还是乖乖加上

win10_940MX python3.6深度学习gpu环境搭建入门必看！anaconda3+cuda9.0+cudnn7.0.5+tensorflow1.7.0+keras2.1.6+openCV相关推荐

深度学习GPU环境搭建
深度学习GPU环境搭建: 安装步骤: 1.安装GPU驱动:官网有(可以理解为告诉电脑这个东西怎么使用) 不同厂家的不一样,用于深度学习的一般是NVIDIA.AMD家. 本人是NVIDIA家,驱动长这样 ...
windows10：GTX GeForce 1070+更新nvidia显卡驱动+CUDA+CUDNN+tensorflow_gpu深度学习GPU环境搭建（史上排雷最多版本）
windows10 GTX GeForce 1070+CUDA9.0+CUDNN7.6.4+TensorFlow_GPU1.5 5天星期前开始搭建tensorflow GPU环境,途中屡屡踩雷, 现在 ...
windows7系统，NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe、TensorFlow、Keras深度学习GPU环境
windows7系统,NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe.TensorFlow.Keras深度学习GPU环境事情的由来第一步,你得先有个windows7操作 ...
深度学习工作站环境搭建 ubantu16.04 安装显卡驱动 CUDA8.0 cuDNN6 anaconda tensorflow1.4.0 opencv3.4 含泪总结
深度学习工作站环境搭建 ubantu16.04 安装显卡驱动 CUDA8.0 cuDNN6 anaconda tensorflow opencv 1 安装ubantu16.04 安装时不要在线更新,在 ...
Ubuntu18.04深度学习GPU环境配置
Ubuntu18.04深度学习GPU环境配置 Ubuntu 18.04.cuda 9.0.cuDnn v7.TensorFlow/Keras 与anaconda 1.背景为了加速神经网络的训练,使用 ...
ubuntu深度学习软硬件开发环境搭建
硬件先从硬件自已配机器开始: 目前对于个人来说,性价比比较高的深度学习显卡是那个11G显存的GTX 1080Ti.这里显卡定了,接下来就是主板内存硬盘,显示器.先报一下我配的机器配置: CPU 英特 ...
【Linux Mint 深度学习开发环境搭建】开发软件安装
系列文章目录第一章 Linux mint 深度学习开发环境搭建之Nvidia显卡相关软件安装第二章 Linux mint 深度学习开发环境搭建之开发软件安装第三章 Linux mint 深度学习 ...
云服务器deeplearning_云服务器深度学习服务器环境搭建
前几天在腾讯云服务器上搭建深度学习的环境,查阅了腾讯云的官方文档及相关博客,一是发现介绍的不太全,二是大都是本地工作站上的部署教程.经过多种尝试和血泪的踩坑,暂总结出一份文档,方便将来重新部署时的查阅 ...
【AI实战】深度学习基础环境搭建（Ubuntu + anaconda + tensorflow + GPU + PyCharm）
为方便日常的深度学习模型开发与测试,本人在自己笔记本上搭建一个深度学习的基础环境,便于学习AI使用.本人使用的笔记本配置是CPU为8代i5,显卡为GTX1060,内存为8G,基本上可满足日常的AI研究 ...

win10_940MX python3.6深度学习gpu环境搭建入门必看！anaconda3+cuda9.0+cudnn7.0.5+tensorflow1.7.0+keras2.1.6+openCV