主要参考：https://blog.csdn.net/csdnfala/article/details/91358622

https://blog.csdn.net/qq_32728345/article/details/81570504

安装tf-gpu会自动替换tf cpu版本，

本人环境自带vs2012、vs2015，安装的tf-gpu要求vs2017但本人没有安装，似乎集成在CUDA、cuDNN安装包中

1 确定并下载对应版本的CUDA

打开nvidia控制面板，win10在系统信息-组件-NVCUDA.DLL中查看，本人最高支持版本为10.0.132，下载对应CUDA：https://developer.nvidia.com/cuda-toolkit-archive

2 确定并下载对应版本cuDNN、TensorFlow-gpu

选择对应版本的cuDNN：https://developer.nvidia.com/rdp/cudnn-archive

一个CUDA可以安装不同版本cuDNN，选择时，应根据提供的TensorFlow对应，在readme中查看：https://github.com/fo40225/tensorflow-windows-wheel

本人选择版本为python3.6、cuda10.0、cuDNN7.3、sse版本

3 安装CUDA、cuDNN、tf-gpu

安装CUDA，如果不修改安装路径，默认解压到电脑用户的temp文件夹下，并安装到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0

解压cuDNN，将压缩包内文件依次复制到安装路径下

讲sse版本的tf-gpu.wheel的两个压缩包一起解压，得到一个wheel，在cmd中使用“pip install wheel绝对路径”进行安装tf

使用如下代码验证是否安装成功

import tensorflow as tf
hello =tf.constant("hello,tf")
sess = tf.Session()
print(sess.run(hello))

gpu操作

# 查看gpu名称
print(tf.test.gpu_device_name())
# 查看gpu是否可用
print(tf.test.is_gpu_available())
# 查看所有设施
 print(device_lib.list_local_devices())

# 设置按需增长
config = tf.ConfigProto()

config.gpu_options.allow_growth=True

sess = tf.Session(config=config)


# keras配置

import keras.backend.tensorflow_backend as KTF

KTF.set_session(sess)