本文電腦：
win10 64位家庭中文版 1803版本，i7-8000HQ ；顯卡：GTX1050i;
CUDA版本：cuda_9.0_win10.exe （[鏈接：CUDA 9.0]
提取碼：lxr3
cudnn版本：cuDNN v7.1 (Dec 5, 2017), for CUDA 9.0
提取碼：f7eo
Tensorflow-GPU 1.8.0
Keras 2.1.5
Keras-Applications 1.0.8
Keras-Preprocessing 1.1.0
Python 3.6
Step 1:安裝CUDA 9.0
上圖是選擇win10 64位 cuda9.0本地安裝文件下載的截圖，下載後點擊運行cuda_9.0.176_win10.exe，安裝時會讓你選擇一個文件夾作爲抽取文件臨時存放，記住這不是安裝文件夾，安裝文件夾系統會自動安裝到C盤，臨時文件夾安裝完後會自動刪除。
安裝完之後CUDA_PATH_V9_0和CUDA_PATH這兩個系統變量會自動爲你添加上。
環境變量配置：
cuda9.0安裝完成之後在系統環境變量中自動配置了兩個系統變量
CUDA_PATH：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
CUDA_PATH_V9_0：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
Step 2:安裝CUDNN 7.0
下載cudnn時需要註冊填寫信息，選擇支持cuda9.0的cudnn,我選擇的是cudnn7.0.5, 7.1可能有些不兼容.下載完，解壓cudnn,會出現四個文件，如下：
在cuda安裝完後，系統自動在C盤的Program Files文件中創建了NVIDIA GPUComputing Toolkit文件夾，你可以找到如下路徑：
你可以發現在這個v9.0目錄下也有類似cudnn中的文件夾。將cudnn的bin,include,lib中的內容 拷貝到v9.0的bin,include,lib對應目錄下，提示替換的話點擊OK。完成，最好重啓一下電腦。OK。
此外在你環境變量PATH中添加如下內容：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include）
安裝完畢後測試cuda版本：
打開cmd，輸入如下指令：
nvcc -V
Step 3 Anaconda下安裝Tensorflow-GPU 1.12.0
前提是你已經安裝好了anaconda，點擊Anaconda Prompt ( 類似cmd窗口)；
新建一個python=3.6的環境（由於win10下tensorflow只支持python3）
(base) C:\Users\chens>conda create --name TFGPUP3.6 python=3.6
上面指令是創建了一個環境名爲TFGPUP3.6的環境，該環境中python版本爲3.6
隨後會下載相應依賴庫文件，安裝python3.6;待環境創建完畢，激活環境；
(base) C:\Users\chens>conda activate TFGPUP3.6
激活後，命令提示行會以(TFGPUP3.6) 開頭，然後在該環境中安裝tensorflow-gpu ，conda無安裝包，用pip 如下圖：
(TFGPUP3.6) C:\Users\chens>pip install --ignore-installed --upgrade tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple
命令中的鏈接是清華鏡像，下載對應的資源速度較快。
如上圖，是安裝相應的依賴庫，包文件。最後提示Successfully installed absl-py-0.7.0 astor-0.7.1 gast-0.2.2 grpcio-1.18.0 h5py-2.9.0 keras-applications-1.0.6 keras-preprocessing-1.0.5 markdown-3.0.1 numpy-1.16.0 protobuf-3.6.1 setuptools-40.7.0 six-1.12.0 tensorboard-1.12.2 tensorflow-gpu-1.12.0 termcolor-1.1.0 werkzeug-0.14.1 wheel-0.32.3
驗證至看到顯卡信息則成功,輸入如下代碼：
python
import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
輸出一些顯卡的信息以及設備號：
使用下列代碼測試TF安裝正確性
import tensorflow as tf
hello = tf.constant(‘Hello, TensorFlow!’)
sess = tf.Session()
print(sess.run(hello))
Win10下的nvidia-smi在 C:\Program Files\NVIDIA Corporation\NVSMI 目錄內。
可以使用該目錄下的nvidia-smi查看顯卡使用狀態（如下圖指令）；
參考：
https://blog.csdn.net/u010103202/article/details/79620551
https://blog.csdn.net/jacke121/article/details/78205845
https://blog.csdn.net/u010440456/article/details/82424894
https://blog.csdn.net/xuefengyang666/article/details/79422012
https://blog.csdn.net/gyp2448565528/article/details/79451212
https://www.cnblogs.com/sorex/p/7615185.html