TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域。
下面是在windows系统下安装TensorFlow深度学习工具箱的教程，作者为Jeff Heaton，主要研究方向是机器学习、预测建模以及这些方面的应用。
![1df910508b2aaf5bb213bdf10629456d8bf6762d]()
TensorFlow现在可以用于Windows系统，同样也适用于Mac和Linux。而这并非总是如此。对于大多数TensorFlow存在的第一年，Windows支持的唯一方式是虚拟机，通常是通过Docker。即使没有GPU支持，这对我来说也是个好消息。我教的深度学习研究生课程对于仅运行Windows的学生而言是很困难的。
使用GPU进行深度学习被广泛告知为高度有效。显然，非常高端的GPU集群可以通过深度学习做一些惊人的事情。然而，我很好奇Windows Surface Book（GPU：GeForce GT 940）使用GPU与CPU的性能对比。事实证明使用GPU比CPU性能高的很多：
CPU Version of TensorFlow: 1 hour, 54 minutes.
GPU Version of TensorFlow: 13 minutes
更新的Surface Book拥有更先进的GPU（GeForce GT 965）。去年，Mac和Windows之间的TensorFlow领域真的发生大变化。当TensorFlow首次发布时没有Windows版本，但现在NVidia CUDA针对深入学习有着很大兴趣的发展。
安装
首先，你应该确保你已经安装了正确的NVidia驱动程序：
CUDA驱动程序
CUDNN-CUDA深层神经网络
安装TensorFlow到Windows Python，TensorFlow需要Python2.7、3.4或3.5版本。我使用的是Anaconda Python3.5。我所做第一件事就是为TensorFlow创建CPU和GPU环境。这使他们与我有其他非深入学习Python环境分开。创建CPU TensorFlow环境：
conda create --name tensorflow python=3.5
activate tensorflow
conda install jupyter
conda install scipy
pip install tensorflow
创建GPU TensorFlow环境：
conda create --name tensorflow-gpu python=3.5
activate tensorflow-gpu
conda install jupyter
conda install scipy
pip install tensorflow-gpu
使用单个GPU时，你的TensorFlow代码不会被更改。你可以通过切换环境简单地运行相同的代码。TensorFlow使用GPU或不使用，这取决于你所处的环境。您可以在以下环境之间切换：
activate tensorflow
activate tensorflow-gpu
结论
如果你在本地计算机上做中等深度学习网络和数据集，你应该使用你的GPU。即使你正在使用一台笔记本电脑。NVidia是科学计算的首选GPU。虽然AMD可能完全有能力，但对AMD的支持却很稀少。
数十款阿里云产品限时折扣中，赶紧点击领劵开始云上实践吧！
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。
文章原标题《Using TensorFlow in Windows with a GPU》，作者：Jeff Heaton，译者：海棠
文章为简译，更为详细的内容，请查看原文
