本教程将包含Tensorflow GPU的版本的安装过程。
tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl；cuda_9.2.148_win10.exe；cuda_9.2.148.1_windows.exe.exe；cudnn-9.2-windows10-x64-v7.2.1.38.zip；在电脑任务栏，右键NVIDIA 控制面板>帮助菜单>系统信息>组件选项卡，可以看到显卡驱动支持的CUDA版本号为9.2。
去Github下载一个你想下载的tensorflow的版本，这里分别依次选择tensorflow-windows-wheel/1.10.0/py36/GPU/，
下载cuda92cudnn72avx2文件夹下的*.whl文件，我下载的是tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl，可以看到这里的文件名给出了配置要求：cuda 9.2版本，cudnn要求7.2版本，记下这两个版本号。
去NVIDIA CUDA 和NVIDIA CUDNN 分别下载CUDA和CUDNN相应的版本：cuda_9.2.148_win10和patch包；以及cudnn7.2。安装CUDA及patch包；然后将解压Cudnn后得到的三个小文件夹(include,bin,lib)复制到CUDA的安装目录(默认安装目录C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2)即可；
进入你.whl文件所在的目录，输入pip install tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl即可安装
在当前环境下输入python进入python编辑环境，输入以下代码进行测试
import tensorflow as tf
hello = tf.constant("Hello, Tensorflow!")
sess = tf.Session()
print(sess.run(hello))
a=tf.constant(10)
b = tf.constant(20)
print(sess.run(a+b))
import tensorflow as tf
hello = tf.constant("Hello, Tensorflow!")
sess = tf.Session()
print(sess.run(hello))
首先看看tensorflow是不是正常安装并可以导入了：
测试代码一：
import tensorflow as tf
a = tf.test.is_built_with_cuda() # 判断CUDA是否可以用
b = tf.test.is_gpu_available(
cuda_only=False,
min_cuda_compute_capability=None
) # 判断GPU是否可以用
print(a)
print(b)
输出结果是：
True
True
代表CUDA和GPU可用
测试代码二：
import tensorflow as tf
#Creates a graph.
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)
#Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
#Runs the op.
print(sess.run(c))
输出结果是：
[[22. 28.] [49. 64.]]
下面是直观的看出代码有没有在使用GPU
测试代码三：
import tensorflow as tf
with tf.device('/cpu:0'):
a = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a')
b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b')
with tf.device('/gpu:1'):
c = a + b
sess =tf.Session(config=tf.ConfigProto(log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(sess.run(c))
注意：
上述测试代码三中可能报错，你需要更改代码为
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))
其中
allow_soft_placement=True 表明：计算设备可自行选择，如果没有这个参数，会报错。因为不是所有的操作都可以被放在GPU上，如果强行将无法放在GPU上的操作指定到GPU上，将会报错。
log_device_placement=True 表明：计算设备的日志log文件会实时显示(使用Python命令行时会显示，使用spyder时不显示,使用spyder可以使用性能分析工具进行查看)。
先不急着运行，打开任务管理器，点击 性能 ，找到你自己英伟达显卡的GPU那一栏，点击一下，可以显示GPU的利用情况，正常情况下你没运行什么程序，GPU利用率什么的都是0，没有波澜，然后你运行代码三，会发现GPU利用率开始变化了。
import tensorflow as tf
import numpy as np
# 1 collect data
x_data = np.float32(np.random.rand(200,2));
y_data = np.matmul(x_data,[[5.2],[9.6]])+3.4;
# 2 Ceate model
W = tf.Variable(tf.random_uniform([2,1],-1,1));
b = tf.Variable(tf.zeros([1]));
y_ = tf.matmul(x_data,W)+b;
# 3 loss function
loss = tf.reduce_mean(tf.square(y_-y_data));
optimizer = tf.train.GradientDescentOptimizer(0.5);
train = optimizer.minimize(loss);
# 4 Initialzer
init = tf.initialize_all_variables();
sess = tf.Session(config = tf.ConfigProto(allow_soft_placement=True,log_device_placement=True));
sess.run(init);
# 5 Train
for step in range(0,201):
sess.run(train);
if step%10 == 0:
print(step,np.transpose(sess.run(W)),sess.run(b));
# 6 Output
sess.close();
使用Visual Studio Code也可以进行python的开发。你需要安装Python插件。即可编写代码。编写完成后按F1或Ctrl+Shift+P，调出命令框，输入python: select interpreter来选择解释器，点击之后可以选择你的conda的tensorflow环境下的解释器。在状态栏就可以看到”Python 3.6.8 64-bit”字样，表示当前的运行环境。此时按Ctrl + F5运行代码，按F5进行调试。
开心玩耍吧~
个人使用体验：VS Code比Pycharm还要流畅一些~~
为保证以后该环境不出幺蛾子，
请不要更改GPU驱动
请不要更新GPU驱动
请不要更新GPU驱动
如果你不慎更新了显卡驱动，按此笔记重新安装配置环境。