雷鋒網按：本文作者阿薩姆，本文首發於作者的知乎專欄《數據說》，雷鋒網獲其授權發布。
背景
在Windows上使用GPU進行深度學習一直都不是主流，我們一般都首選Linux作為深度學習作業系統。但很多朋友如果只是想要了解深度學習，似乎沒有必要專門裝雙系統或者改用Linux。現實生活中，很多使用學校或者公司電腦的朋友也沒有操作權限改換系統。那麼到底是否可以在Windows系統上設置深度學習框架，開發深度學習模型呢？
好消息是越來越多的深度學習框架開始支持Windows，這使得在Windows上使用GPU加速學習過程也變成了可能。很多朋友雖然沒有一塊很強勁的顯卡，但也可以以較低的代價來了解在GPU上運行深度學習模型的過程。值得欣喜的是，大部分Nvidia GeForce系列的顯卡都可以使用CUDA，大部分有獨顯的筆記本理論上都可以使用GPU來「深度學習」。即使加速效果不明顯，但很多入門級的顯卡依然可以用於TensorFlow，這至少可以幫助大家了解和熟悉這個框架。
請不要讓缺少預算或者系統不兼容成為探索路上的攔路虎和藉口。
本著探索的精神，我試著在兩臺Windows電腦上安裝了CUDA(用於調用GPU)和TensorFlow(谷歌開發的深度學習工具庫)，把這個過程記錄下來和大家分享。
在開始之前想再次提醒大家，在Windows上安裝CUDA和TensorFlow有很多坑，對於各種軟體版本以及系統設置的要求可謂非常刁鑽，很容易就「誤入陷阱」。請大家嚴格對照我的操作流程，以防出錯。多圖長文預警！！！使用教程時建議在電腦端閱讀，可以放大圖片。
準備步驟
請按照介紹下載以下軟體備用，具體安裝流程在第二部分介紹。
簡單的說，我們需要 Windows 7/8/10, Server 2012/2016 + Python 3.5 + Visual Studio 2015 + CUDA 8.0 + CuDnn 6.0。
1.作業系統要求和硬體要求:
Windows版本：Windows 7，Windows 8，Windows 10，Windows Server 12/16
顯卡版本：請對照英偉達提供的支持CUDA的顯卡列表，建議查看英文版。不知道自己顯卡版本的可以通過「設備管理器」查看，或者使用第三方軟體GPU-Z查看。請注意，AMD的顯卡不可以使用英偉達開發的CUDA...
中文列表：CUDA - 支持CUDA的GPU - NVIDIA(英偉達)
英文列表：CUDA GPUs
2.Python版本：64位版本的Python 3.5。注意Python3.6和2.7都不可以。地址和版本如下圖所示。如果使用錯誤的Python版本，將無法安裝TensorFlow！
3.Visual Studio版本：
我們使用的CUDA8.0不支持Visual Studio 2017，使用VS2017會報錯。
Visual Studio 2015的話現在最新的版本是Visual Studio 2015 with Update 3，網上有人說不能用Update 3這個版本，但根據我的親測可以使用VS2015 with Update 3。下載免費的Community版本即可: https://imagine.microsoft.com/en-us/Catalog/Product/101。這個連結是ISO版本，大家也可選擇EXE版本安裝。其他VS2015的版本，如企業版(Enterprise)或者專業版(Professional)也可以，事實上我測試的時候安裝的是企業版。
Visual Studio 2013根據文檔介紹也可以，但我並沒有實際測試，不推薦使用。
如果你的電腦上已經安裝了VS2017或者VS2013，可以同時下載安裝VS2015，並不存在衝突。
4.CUDA版本：TensorFlow的支持的CUDA版本截止到今天（2017年10月1日）還是 CUDA 8.0。千萬要注意英偉達官網上的默認版本是CUDA 9.0，請不要下載安裝這個版本。
正確的8.0版本下載地址: CUDA Toolkit 8.0 - Feb 2017 。網絡比較好的朋友建議下載網絡安裝版本，不要下載本地版。
5.CuDnn版本：CuDnn 6.0 for CUDA8.0。這是唯一可以使用的版本，下載時請對應的你的作業系統選擇合適的版本。
請特別注意下載CuDnn前必須註冊英偉達社區的會員，雖然說是英文的但非常簡單。 正確的下載版本如下圖所示：
6.所有必備文件：
安裝步驟(建議使用管理員權限帳號)
請儘量按照本文的安裝順序進行安裝，否則有可能運行失敗！最重要的是，安裝CUDA必須在安裝Visual Studio之後，這兩個順序不可以調換。
1.安裝Python
建議直接用Python的原生安裝包，安裝時建議勾選把Python加到系統路徑當中去。
安裝完成後檢查Python的版本和PiP3的版本，那就是系統路徑中的默認Python是3.54，且Pip3的版本大於8.01。
檢測方法如上圖，打開命令行分別輸入 "python -V" 和 「pip3 -V」即可，正確的輸出如上圖。
2.安裝Visual Studio 2015
安裝VS2015沒什麼難度，只有一個選項需要自定義，別的選項都可以使用默認值。VS2015的默認安裝不包括C++的編譯器，必須手動勾選Visual C++，不然會面臨後續的CUDA編譯錯誤。
主要原因是VS2015在安裝時並沒有默認安裝C++的編譯器，也就是CL.exe。在後文中我會提到如果你沒裝Visual C++系統會如何報錯。
3.安裝CUDA
安裝CUDA前請務必確認VS2015安裝成功！這個時候你需要安裝CUDA，雙擊我們下載的安裝文件即可，一切都選擇默認即可。
安裝成功後會看到如下圖：
4.驗證CUDA安裝成功:
4.1. 打開命令行，也就是cmd然後輸入「nvcc -V」，如果安裝正確的話你應該看到這樣的輸出：
輸出中顯示了CUDA的版本是release 8.0。
4.2. 使用VS和CUDA編譯測試文件
進入「C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0」文件夾，雙擊打開 「Samples vs2015」這個文件。
選擇編譯生成1_Utilities中所有的文件。具體操作就是在1_Utilities上右鍵選擇Build，注意紅框部分的64位和Release：
這個時候，你可能遇到了編譯錯誤，如果你發現錯誤提示是無法找到 CUDA.prop那麼就是CUDA安裝錯誤，建議檢查CUDA版本重新安裝。
如果你看到這兩個錯誤:
TRK0005: Failed to locate: "CL.exe". The system cannot find the file specified.系統找不到CL.exe，無法編譯文件。面對這個錯誤那就是你沒選Visual C++，需要重新安裝時選上這個組件。
MSB8036: Windows SDK 8.1 was not found.如果你同時看到了這個錯誤說你沒有安裝 Windows SDK 8.1，那也可以通過安裝C++ Redistribution這個來解決。
如果你沒有遇到編譯錯誤，那麼應該看到下圖提示5個文件編譯成功：
在成功後，你會發現在「C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\bin\win64\Release」文件夾中出現了一堆文件，我們主要需要deviceQuery和bandwidthTest。
4.3. deviceQuery和bandwidthTest驗證
運行我們剛才編譯出來的deviceQuery.exe，也就是在cmd中運行這個文件，下圖中左下的紅框顯示 result = pass代表安裝測試成功，右下的紅框是你的顯卡型號請確認型號正確。Tesla K80隻是我的這臺機器型號，這個每個人可能都不一樣。
運行我們剛才編譯出來的bandwidthTest.exe，方法一樣，也是關注是否result = PASS。
5.安裝CuDnn
解壓縮我們下載的CuDnn文件，得到3個文件夾：bin, include, lib。如下圖所示，將這個三個文件夾複製到「C:\ProgramData\NVIDIA GPU Computing Toolkit\v8.0」。
6.確認系統環境變量(Environment Variables)
確認Python3.5.4.和Pip3在系統環境變量中，檢查的方法上面已經介紹了。
打開系統環境變量設置，以Win10為例，請參考百度經驗（http://t.cn/RYIJJht）介紹。
確認CUDA_PATH和CUDA_PATH_V8.0已經存在
手動添加 「C:\ProgramData\NVIDIA GPU Computing Toolkit\v8.0\bin」到Path裡面。
7.安裝TensorFlow的GPU版本
打開cmd，輸入「pip3 install tensorflow-gpu」
我因為已經安裝過了，所以顯示已經安裝。此處要注意三點：
要用pip3而不是pip
要安裝tensorflow-gpu，而不是tensorflow
如果安裝失敗，很有可能你的Python版本不是3.5.，或者pip3版本太低，可以使用"pip3 install --upgrade pip3"來升級pip3
第一個TensorFlow程序！
恭喜你，我們離勝利已經一步之遙了:) 讓我們來驗證我們安裝的TensorFlow可以使用GPU！
打開cmd，輸入以下指令打開python的interactive shell。
首先導入tensorflow:
import tensorflow as tf
接著每次輸入一行代碼，並回車，你應該可以看到下圖中表明你的GPU已經開始工作啦~
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')c = tf.matmul(a, b)sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))print sess.run(c)
你可能在import TensorFlow時遇到了錯誤，如下圖。這是因為你的CuDnn設置錯誤，請參考本文確認系統環境變量(Environment Variables)來修復。
寫在最後
實踐是檢驗真理的唯一標準，時間也是。在所有人都在大力鼓吹深度學習的今天，不管你喜歡還是反對，我都希望你可以親自試試，感受一下:)
而現實生活中我們都有各種各樣的制約，比如系統版本限制、比如有限的顯卡預算。這也是我寫這篇教程的目的，我不希望這些原因成為阻礙你探索研究的障礙。希望我的這篇文章為你的深度學習之路做出了一點微小的貢獻。
歡迎來到深度學習的世界