搭建深度學習環境一直都不是一項簡單的事情，尤其是相當主流的 Nvidia 顯卡和 Tensorflow 的組合，其中版本的問題以及需要額外安裝的驅動、CUDA、cuDNN 就夠讓人頭疼了。而且主流的作業系統是 Linux 而非 Windows ，可以發現教學文明顯就少了些。
因緣際會下，我有了需要在 Windows 上搭建深度學習環境這樣的需求，由於以往都是習慣在 Linux 安裝的，所以對 Windows 的操作比較不熟。實際上，按照步驟一步步操作，加上過去有在 Linux 安裝的經驗，其實很順利地一次就成功了。
搭建深度學習環境的步驟如下，本文也是依此紀錄的：
- 安裝 Python 3.6.8
- 安裝 Python 的 virtualenv 套件（optional）
- 安裝 Tensorflow 1.13.1
- 安裝 CUDA 10.0
- 安裝 cuDNN 7.6.4
其中，關於 Python、Tensorflow、CUDA、cuDNN 等版本之間的相容性，可以參考 StackOverflow 上有人提供的一張經典的表格：
如果有不同版本的安裝需求，可以參考看看。
安裝 Python 3.6.8
安裝 Python（同時又指定版本）其實非常容易，直接在網路上搜尋，通常找到的第一個搜尋結果就是我們要的官網該版本下載地址。
往下拉，直到找到 Windows x86-64 executable installer，下載並執行。
這裡有個小細節：最好將 Add Python 3.6 to PATH 勾選之後再選擇 Install Now。
安裝好之後，打開 Windows Terminal 或 cmd，輸入：
python應該會看到以下畫面：
如果能看到 Python 3.6.8 的互動命令列，那就是安裝成功了。
安裝 Python 的 virtualenv 套件（optional）
是否安裝 virtualenv 套件是可以選擇的，virtualenv 的功用在於能將某個資料夾變成 Python 的專案虛擬環境，在裡頭所安裝的套件都跟真正的環境是分開的，可以保證專案之間彼此不會套件衝突。
除此之外，如果需要模擬不同環境下的程式結果也可以使用這個套件 —— 當然，到最後多半應該都是 Docker 會比較方便，不過現在 Windows 上的 Docker 據說尚不支援 GPU。（如果我的說法有誤請告訴我，多半是我資料收集不夠齊全。我很高興能知道 Windows 上能夠使用適用於 GPU 訓練的 Docker）
總之，推薦裝一下比較好，不過如果對於自己管理的套件都心裡有數，那多半也不會有問題就是了。
pip install virtualenv安裝好之後，假設我們要將 test 資料夾變成虛擬環境，我們可以使用以下指令（在終端機內使用）：
virtualenv.exe test
cd test\Scripts\
.\activate.bat如果在終端機中，最前頭出現了：（test），那就代表自己已經在 Python 的虛擬環境中了，可以使用以下指令檢查：
pip list應該只有 pip、setuptools、wheel 三個套件在該環境中。
安裝 CUDA 10.0
使用 Tensorflow 的話，CUDA 是必須要裝的。簡單來說，CUDA 是 Nvidia 專用於平行化運算的框架，而後頭會提到的 cuDNN（CUDA Deep Neural Network Library）則是其深度學習的函式庫。
CUDA 的下載位置可以從這邊找到： https://developer.nvidia.com/cuda-toolkit
如果你需要的版本跟我不同，可以直接在網路上搜尋 CUDA + 你要的版本，多半會直很快找到。
進入下載頁面之後，按照你機器的要求選擇配置，然後下載，並依照說明完成後續步驟。
在這裡， Windows 的步驟很單純，直接執行下載的執行檔即可。
下一步就要安裝 cuDNN 了。
安裝 cuDNN 7.6.4
以下分成兩部份談：
- 下載 cuDNN 並配置至 CUDA 資料夾
- 將 CUDA 中的 bin 資料夾路徑設定環境變數
下載 cuDNN 並配置至 CUDA 資料夾
要下載 cuDNN 可以前往以下網站： https://developer.nvidia.com/cudnn
然後，得加入 Nvidia 的開發人員計畫才能繼續。這裡就註冊起來吧！以後可能會常常用到，至少如果要下載不同版本總要用到吧！
接著，找到自己所需要的版本，在這裡我直接選擇了 cuDNN Library for Windows 10。
下載結束之後，解壓縮，將 cuda\bin\ 底下的 cudnn64_7.dll 檔案複製到 CUDA 安裝的路徑中的 bin 資料夾底下，我個人的路徑是
C:\Program Files\NVIDA GPU Computing Toolkit\CUDA\v10.0
這一步驟非常重要，這是是否能讓 GPU 使用到 cuDNN 函式庫的重要一步。接下來，為了讓程式能順利執行，尚需要將 CUDA 中的 bin 資料夾設定環境變數。
不是 cuDNN 解壓縮的那個 cuda 資料夾哦，而是複製檔案過去的
C:\Program Files\NVIDA GPU Computing Toolkit\CUDA\v10.0\bin
將 CUDA 中的 bin 資料夾路徑設定環境變數
首先，於開始選單搜尋『環境變數』。
進入『進階』，選擇『環境變數(N)』。
編輯『使用者變數』。
選擇新增，填入剛剛 C:\Program Files\NVIDA GPU Computing Toolkit\CUDA\v10.0\bin 的路徑。你的路徑可能跟我不同，要記得填入自己的路徑。
這樣一來配置基本就完成了。
安裝 Tensorflow 1.13.1
打開 Terminal，最後來測試 Tensorflow 是否可以吃到 GPU 吧！
使用以下指令安裝指令版本：
pip install tensorflow-gpu==1.13.1然後進入 Python 命令列。
python輸入以下指令：
>>> import tensorflow as tf
>>> tf.test.is_gpu_available()如果回傳的結果為 True，那代表環境已經順利配置成功了，恭喜！當然，如果手邊有可以測試的程式更好。
References
- https://shawnhymel.com/1961/how-to-install-tensorflow-with-gpu-support-on-windows/
- https://towardsdatascience.com/installing-tensorflow-with-cuda-cudnn-and-gpu-support-on-windows-10-60693e46e781
- https://stackoverflow.com/questions/50622525/which-tensorflow-and-cuda-version-combinations-are-compatible