找了很久才找到这个方法,亲测可用,之前装完cuda和安装cudnn后还是报错 根据文章做的成功搞定,我这里把步骤简单
下载安装anaconda
下载网址:https://www.anaconda.com/download/
下载指定得exe文件后运行:
安装程序现在应该正在运行。
- 您将被要求接受许可协议......
- “选择安装类型”我建议您选择“Just Me”，因为这是您个人开发环境的一部分。
- “选择安装位置”我建议您保留默认位置，即位于您用户目录的顶层。
- “高级安装选项”
检查您的安装
如果你仍然Powershell打开，你将需要关闭它并重新启动它，以便它将重新读取你的环境变量并选择PATH现在包含Anaconda Python目录的变量。随着Powershell重开，你可以检查你现在有Python 3中作为默认的Python
python --version
Python 3.6.5 :: Anaconda custom (64-bit)更新您的基本Anaconda套餐
conda是Anaconda的强大的包和环境管理工具。我们将使用Powershell来更新我们的基础Python安装。运行以下命令。这可能需要一些时间，因为有很多模块需要更新。
conda update conda
conda update anaconda
conda update python
conda update --all
这应该让你的整个基地Anaconda安装到最新的包。
使用TensorFlow创建Python“虚拟环境”
您应该为您的基本Anaconda Python环境设置TensorFlow环境。这样可以保持基础清洁，并为TensorFlow提供所有依赖项的空间。一般来说，良好的做法是为项目保留单独的环境，尤其是当它们具有特殊的包依赖性时。将其视为项目的单独“名称空间”。
在使用conda创建环境时，有许多可能的选项，包括添加具有特定版本号和特定Python基本版本的包。如果您想要精细控制，这有时很有用，它还有助于解决版本依赖性问题。在这里，我们将保持简单，只需创建一个命名环境，然后激活该环境并在其中安装我们想要的包。
从命令行做，
conda create --name tf-gpu我将环境命名为'tf-gpu'，但您可以使用任何您想要的名称。
“激活”环境
现在激活环境，（我将显示我的完整终端提示和输出，而不仅仅是命令）
注意：由于某种原因，Powershell不会运行“激活”脚本！您需要启动“CMD”shell才能执行此操作。你可以从Powershell启动CMD shell（注意Powershell提示符开头的“PS”是如何消失的）。必须切换到CMD是一个烦恼，但您可以在Powershell窗口中轻松来回切换
PS C:\Users\don> cmd
Microsoft Windows [Version 10.0.16299.461]
(c) 2017 Microsoft Corporation. All rights reserved.
C:\Users\don> activate tf-gpu
(tf-gpu) C:\Users\don>
您可以看到我的CMD shell提示符前面是环境名称(tf-gpu)。任何conda软件包（或pip）安装现在都是本环境的本地软件包。
从Anaconda Cloud Repositories安装TensorFlow-GPU
我喜欢安装“官方”Anaconda维护的TensorFlow-GPU软件包，就像我为Ubuntu 18.04做的那样，不幸的是Anaconda维护Windows版本的TensorFlow已经过时了（版本1.1）。Windows目前只支持CPU版本1.8，但我们需要GPU加速。
在Anaconda Cloud上搜索“tensorflow”将列出Anaconda和社区提供的可用软件包。顶部附近列出了一个“aaronzs / tensorflow-gpu 1.8.0”软件包，它包含Linux和Windows版本。这是我所知道的唯一可以与Windows 10一起使用的最新软件包。这个软件包是由Aaron Sun构建的，并且得到了很好的维护。您可以查看他的项目的GitHub页面。
让我们在这个conda环境中安装带有GPU加速功能的TensorFlow。
C:\Users\don> conda install -c aaronzs tensorflow-gpu现在，我们可以做CUDA和cuDNN依赖，
(tf-gpu) C:\Users\don> conda install -c anaconda cudatoolkit
(tf-gpu) C:\Users\don> conda install -c anaconda cudnn
请注意，我明确使用该-c标志来指定“anaconda”“channel”。如果省略频道名称，这将是默认值，但在这种情况下，我想明确说明软件包的来源。链接是，cudatoolkit current是9.0，cudnn current是7.1.4。您应该在安装时检查版本号。
而已！您不需要在系统上安装CUDA。
检查TensorFlow是否与您的GPU配合使用
关闭已打开的任何Powershell或CMD shell并重新打开一个。您需要这样做才能读入新的PATH设置。您可以使用CMD shell激活您的tf-gpu环境启动Python并运行以下行，
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
我的会话包括输出看起来像这样（在这个“第一次运行”会话启动期间有很长的延迟）
PS C:\Users\don> cmd
Microsoft Windows [Version 10.0.16299.461]
(c) 2017 Microsoft Corporation. All rights reserved.
C:\Users\don> activate tf-gpu
(tf-gpu) C:\Users\don>python
Python 3.6.5 |Anaconda custom (64-bit)| (default, Mar 29 2018, 13:32:41) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow')
>>> sess = tf.Session()
2018-11-01 16:37:57.666250: I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2018-11-01 16:37:57.967130: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1356] Found device 0 with properties:
name: GeForce GTX 1070 major: 6 minor: 1 memoryClockRate(GHz): 1.645
pciBusID: 0000:01:00.0
totalMemory: 8.00GiB freeMemory: 6.62GiB
2018-11-01 16:37:57.975868: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1435] Adding visible gpu devices: 0
2018-11-01 16:40:10.162112: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:923] Device interconnect StreamExecutor with strength 1 edge matrix:
2018-11-01 16:40:10.168554: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:929] 0
2018-11-01 16:40:10.171214: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:942] 0: N
2018-11-01 16:40:10.174162: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 6400 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1070, pci bus id: 0000:01:00.0, compute capability: 6.1)
>>> print(sess.run(hello))
b'Hello, TensorFlow'
>>>
是啊！PATH是正确的，一切正常。你可以看到它有GPU支持。
接下来，在我们配置Jupyter笔记本以使用我们的'tf-gpu'环境后，我们将使用Keras做一些更有用和有趣的事情。
为TensorFlow环境创建一个Jupyter Notebook内核
Y您可以使用编辑器和命令行来工作，并且您经常想这样做，但是，Jupyter笔记本非常适合于进行机器学习开发工作。为了让Jupyter笔记本按照您希望的方式处理这个新的TensorFlow环境，您需要为其添加一个“内核”。
(tf-gpu) C:\Users\don>conda install ipykernel
现在创建内核
(tf-gpu) C:\Users\don>python -m ipykernel install --user --name tf-gpu --display-name "TensorFlow-GPU" 会得到这样得效果
使用具有TensorFlow后端的Keras的示例
为了检查所有内容，我们可以使用带有我们的“TensorFlow-GPU”内核的Jupyter笔记本，使用Keras（使用我们的TensorFlow后端）设置LeNet-5。我们将在MNIST数字数据集上训练模型，然后打开TensorBoard以查看作业运行的一些图。
安装Keras
用tf-gpu环境激活吧，
(tf-gpu) C:\Users\don\projects>conda install keras-gpu您现在已经使用GPU加速的TensorFlow安装了Keras。
启动Jupyter笔记本
随着tf-gpu环境激活启动Jupyter，
(tf-gpu) C:\Users\don>jupyter notebook从“新建”下拉菜单中选择您添加的“TensorFlow-GPU”内核（如上一节中的图像所示）。你现在可以开始编写代码了！
最后:
看看TensorBoard的工作运行情况
TensorBoard需要“漂白”，所以先安装它，
(tf-gpu) C:\Users\don>conda install bleach