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許可權改換系統。那麼到底是否可以在Windows系統上設定深度學習框架，開發深度學習模型呢？

好訊息是越來越多的深度學習框架開始支援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示卡，但也可以以較低的代價來了解在GPU上執行深度學習模型的過程。值得欣喜的是，大部分Nvidia GeForce系列的顯示卡都可以使用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，但很多入門級的顯示卡依然可以用於TensorFlow，這至少可以幫助大家瞭解和熟悉這個框架。

請不要讓缺少預算或者系統不相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(用於呼叫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。如果在安裝過程中大家遇到了什麼具體問題，也可以評論給我。

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定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。

作業系統要求和硬體要求:

• Windows版本：Windows 7，Windows 8，Windows 10，Windows Server 12/16
• 顯示卡版本：請對照英偉達提供的支援CUDA的顯示卡列表，建議檢視英文版。不知道自己顯示卡版本的可以通過“裝置管理器”檢視，或者使用第三方軟體GPU-Z檢視。請注意，AMD的顯示卡不可以使用英偉達開發的CUDA...
  • 中文列表：CUDA - 支援CUDA的GPU - NVIDIA(英偉達)（http://t.cn/RjHSpCY）
  • 英文列表：CUDA GPUs（http://t.cn/zjYolU1）

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！

Visual Studio版本：

• 我們使用的CUDA8.0不支援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根據文件介紹也可以，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。

CUDA版本：TensorFlow的支援的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預設版本是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（http://t.cn/ROVLbvu） 。網路比較好的朋友建議下載網路安裝版本，不要下載本地版。

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群的會員（http://t.cn/RYIJenh），雖然說是英文的但非常簡單。 正確的下載版本如下圖所示：

所有必備檔案：

安裝步驟(建議使用管理員許可權賬號)

請儘量按照本文的安裝順序進行安裝，否則有可能執行失敗！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。

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預設Python是3.54，且Pip3的版本大於8.01。

檢測方法如上圖，開啟命令列分別輸入 "python -V" 和 “pip3 -V”即可，正確的輸出如上圖。

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預設值。VS2015的預設安裝不包括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在安裝時並沒有預設安裝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。

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檔案即可，一切都選擇預設即可。

安裝成功後會看到如下圖：

驗證CUDA安裝成功:

1. 開啟命令列，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。

2. 使用VS和CUDA編譯測試檔案

進入“C:ProgramDataNVIDIA CorporationCUDA Samplesv8.0”資料夾，雙擊開啟 “Samples vs2015”這個檔案。

選擇編譯生成1_Utilities中所有的檔案。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，無法編譯檔案。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元件。
• 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個檔案編譯成功：

在成功後，你會發現在“C:ProgramDataNVIDIA CorporationCUDA Samplesv8.0binwin64Release”資料夾中出現了一堆檔案，我們主要需要deviceQuery和bandwidthTest。

3. deviceQuery和bandwidthTest驗證

執行我們剛才編譯出來的deviceQuery.exe，也就是在cmd中執行這個檔案，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示卡型號請確認型號正確。Tesla K80只是我的這臺機器型號，這個每個人可能都不一樣。

執行我們剛才編譯出來的bandwidthTest.exe，方法一樣，也是關注是否result = PASS。

安裝CuDnn

解壓縮我們下載的CuDnn檔案，得到3個資料夾：bin, include, lib。如下圖所示，將這個三個資料夾複製到“C:ProgramDataNVIDIA GPU Computing Toolkitv8.0”。

確認系統環境變數(Environment Variables)

確認Python3.5.4.和Pip3在系統環境變數中，檢查的方法上面已經介紹了。

開啟系統環境變數設定，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

手動新增 “C:ProgramDataNVIDIA GPU Computing Toolkitv8.0bin”到Path裡面。

安裝TensorFlow的GPU版本

開啟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程式！

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！

開啟cmd，輸入以下指令開啟python的interactive shell。

首先匯入tensorflow:

import tensorflow as tf

接著每次輸入一行程式碼，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設定錯誤，請參考本文確認系統環境變數(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、比如有限的顯示卡預算。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 ʕ•ᴥ•ʔ