如果读者个人电脑配置有NVIDIA显卡，可以登录NVIDA官网https：//de-veloper.nvidia.com/cuda-gpus查看其显卡型号对应的运算能力，确保满足不同深度学习框架的硬件要求，如Tensorflow 1.3版本要求GPU计算能力必须在3.0以上。如果满足GPU的硬件要求，则说明可以利用GPU加速深度学习运算，接下来需要安装CUDA驱动和cuDNN库。否则，只能采用CPU进行深度学习，读者可以跳过本小节的GPU驱动的安装过程，直接按照2.3.2小节方法安装Anaconda软件。
CUDA是NVIDIA推出的一种通用并行计算架构，该架构能够利用GPU的图形处理能力，大幅提升计算性能，而且支持Windows、Linux和MacOS三类主流操作系统。开发者可以登录https：//developer.nvidia.com/cuda-downloads，根据个人操作系统类型及版本选择下载安装。由于安装过程中需要用到C++进行编译，因此安装之前要先确保系统安装有Visual Studio，否则安装过程会报错（图2-5）。
图2-5 CUDA下载页面
还需要注意的是，上述网址下载的为最新版的CUDA。由于CUDA版本更新过快，会与深度学习框架出现兼容性问题，如果需要CUDA的历史版本，可以登录https：//developer.nvidia.com/cuda-toolkit-archive下载安装（图2-6）。本书安装的CUDA版本为10。
图2-6 CUDA历史版本下载页面
下载完成后，双击安装文件然后单击OK按钮，进入安装界面，按照提示进行安装既可，安装过程较为简单。安装结束后需要配置环境变量，在桌面时右键“此电脑”，选择“属性”打开系统窗口，然后选择并打开“高级系统设置”进入系统属性窗口，打开环境变量，然后将C：\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin, C：\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\include, C：\Program Files\NVIDIA GPU Computing Toolkit\CU-DA\v10.0\lib\x64，这三个路径填到系统变量的Path中，这样环境变量就配置好了。(www.xing528.com)
为验证CUDA是否安装成功，可以打开cmd窗口，输入nvcc-V，显示如下（图2-7），则CUDA安装成功。
图2-7 CUDA安装测试页面
对TensorFlow等深度学习框架而言，实现GPU加速的核心是cuDNN。cuDNN的全称为NVIDIA CUDA Deep Neural Network library，是NVIDIA专门针对深度神经网络中的基础操作而设计基于GPU的加速库。基本上所有的深度学习框架都支持cuDNN这一加速工具。下载cuDNN时需要注册NVIDIA账号，并且需要注意版本与CUDA版本的对应关系，本书下载的版本为7.4.1。下载的cuDNN为一压缩文件，解压完后并将其中的lib、bin、include直接粘贴覆盖CUDA安装路径内的对应文件夹，完成安装（图2-8）。
图2-8 cuDNN粘贴位置图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
