前言：
时间来到了2020年，3月8日
上一次搭建环境还得是19年年初
在本次中发现已有的文章或博客基本都过期很久，对搭建环境的帮助很有限，于是便整理了以下内容，供大家参考
如果你希望在你的电脑上搭建tensorflow+keras的环境来快速实现并验证你有关深度学习的一些设计或者想法，以下内容对你再合适不过了
划重点：
操作系统：Win10
IDE：Pycharm
GPU：必须是NVDIA系列显卡
注：安装GPU版本的重要性
配置Tensorflow-GPU的重要性在于GPU的浮点计算能力要远强于CPU
在模型训练中，一颗非常普通GPU的计算速度也要强于一颗高配CPU
搭建步骤：
1.安装 Pycharm
这个很简单，Jetbrains的官网直接找到并下载Pycharm即可。
注意：建议安装professionial版本，学生可以通过使用个人的学校邮箱地址来注册Jetbrains账号，可以申请教育优惠，免费试用所有的Jetbrains产品。（For educational use only）
2.安装python环境
比较长远的安装方法是通过anaconda来安装python。
anaconda官网 https://www.anaconda.com/，直接下载即可，选择python3.7 版本即可，安装时记录好安装位置。
在环境配置那一步勾选第二项，手动配置环境（避免不必要的错误）
安装好后，在环境变量-系统变量中添加好三条配置，（按照你的安装位置去填写，例如我的Anaconda3安装位置是C盘的users/pc，）
在命令行中分别输入anaconda和python ，出现如下页面，则证明你的anaconda已经安装并配置完毕
2.安装Tensorflow-GPU
打开pycharm，创建project，Project Interpreter选择anaconda下的python环境
打开file中的setting选项，即可看见anaconda所有的包
点击右侧 “+”，即可install新的依赖包，直接搜索tensorflow-gpu并install即可，注：右下角tensorflow版本号2.1
3.安装对应硬件驱动依赖：CUDA+cuDNN
打开tensorflow官网，在安装下查看 GPU的CUDA版本与 python包的版本的对应关系
图中标注处表明，当安装TensorFlow版本为2.1.0时，对应的CUDA Toolkit版本为10.1，同时要求GPU的驱动，要高于418.x
如何查看自己的GPU驱动版本：首先确保自己NVDIA显卡安装了最新的驱动，打开NVDIA 控制面板，帮助 ->系统信息 ->显示
查看显卡支持的CUDA版本，NVDIA 控制面板，帮助 ->系统信息 ->组件
确定以上两者后，表明我们的显卡驱动已经满足Tensorflow 2.1版本所要求的环境，接下来，下载对应版本的CUDA
百度直接搜索“CUDA 10.1”点击链接进行下载，如果从CUDA官网下，选择版本“10”，会默认下载最新版的“10.2”，这不符合Tens2.1的要求
CUDA的安装设置默认即可，在CUDA安装完毕后，安装cuDNN，地址：https://developer.nvidia.com/rdp/cudnn-download，这个是需要注册登录后才能下载，选择对应版本即可
下载解压后你会发现，这只包含三个文件夹，每个文件夹各有一个文件
按照如下要求，将cuDNN的文件去替换刚才安装的CUDA Toolkit中的对应文件，并且在系统变量中添加 CUDA_PATH的路径
在我之后添加系统变量的时候发现已经有了一个CUDA_PATH_V10_1，猜测可能是在安装CUDA的时候自动添加的系统变量，但是我还是按照要求添加了名为CUDA_PATH的系统变量。
至此我们已经安装了Tensorflow-gpu所需的驱动环境
4.安装Keras
使用步骤2中安装tensorflow-gpu的方法安装keras，只安装keras即可，不需要kersa-gpu，如果anaconda已经安装，则不必再重复此步骤
5.测试
在 https://github.com/keras-team/keras/tree/master/examples 中，将mnist_cnn.py下载下来。copy到最开始创建的工程文件中
如果安装正确，是不会有报错的。下面直接右键运行，先自动下载数据集，然后进行训练
图1所示，GPU成功开始运行，图2所示，经过12轮训练（在我的显卡1660中，大约训练1分钟），识别率则达到0.992
