配置步骤：

1.上网搜电脑的gpu是否支持深度学习
2.下载nvidia的显卡驱动器
（若电脑桌面点右键能出现NVIDIA的控制面板入口，可略过这一步）。可以先找出自己电脑的gpu型号，再搜索对应的驱动器（e.g. nvidia的NVIDIA Quadro K620驱动下载）
查看电脑gpu型号的方法：
控制面板点性能

3.找对应关系
在tf官网https://www.tensorflow.org/install/source_windows查询tensorflow-gpu对应的CUDA和cudnn版本号。比如：
在这里插入图片描述

4.下载CUDA
到链接https://developer.nvidia.com/cuda-toolkit-archive下载对应版本的CUDA,下载local版的。我的windows的：
在这里插入图片描述

一路运行安装，一般会自己将其中的
CUDA_PATH
CUDA_PATH_V10
添加到环境变量。
检测CUDA是否安装成功，打开cmd命令行，输入nvcc -V，不报错即成功

5.下载对应的cudnn
清华的镜像源中有一部分版本的cudnn，但是不全，可以尝试用 conda search cudnn -c conda-forge 找找能下载那些版本的，找不到的话可以去管网下载对应的cudnn。官网地址：https://developer.nvidia.com/rdp/cudnn-download 该网站需要先注册，也可以到网上搜共享账号，不嫌麻烦可以自己注册，也花不了多久。
下载后解压文件，会得到三个文件夹与一个文件，把他他们复制到刚安装的CUDA的安装目录下即可：
在这里插入图片描述

之后为了能让下载的tensorflow-gpu运行时能找到CUDA，需要把这三个路径加入环境变量：

XXX\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin
XXX\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64
XXX\NVIDIA GPU Computing Toolkit\CUDA\v10.0\include  v10.0版本号是你下载的CUDA版本

6.下载tensorflow-gpu
推荐最后下载tensorflow-gpu，避免安装不成功的现象。可以使用pip在cmd直接安装（注意如果在annoconda中配置了单独的环境，要先activate 那个环境，再使用 pip insall tensorflow-gpu==1.xx.x 安装想装的gpu版本tf。
测试是否安装成功：
先切换到安装tensorflow-gpu的那个环境，然后

import tensorflow as tf
print(tf.test.is_gpu_available())  #true即可用

7.在代码中使用：
在代码开始使用

os.environ['CUDA_VISIBLE_DEVICES'] = '/gpu:0' #指定所用的gpu

#GPU 按需分配
config = tf.compat.v1.ConfigProto(allow_soft_placement=True)
config.gpu_options.per_process_gpu_memory_fraction = 0.7  #GPU显存用量百分比
tf.compat.v1.keras.backend.set_session(tf.compat.v1.Session(config=config))

8 使用时查看gpu状态：
可以按照步骤2从任务管理器查看，但是这个显示的不准确，只能显示显存用量，不能确定GPU是否在工作（类似于内存与cpu）很有可能会因为输入的batch_size或者隐藏层层数太多，显存已经占满还未能将数据全部加载，此时gpu不会开始工作（甚至会出现self._traceback = tf_stack.extract_stack()的报错，解决办法就是调小bath_size和隐藏层层数），此时可以通过在cmd输入命令 nvidia-smi 查看GPU运行状态，如图：

在这里插入图片描述