我在尝试训练我的第一个Keras图像分类器，使用8000张图片的训练集时，训练速度非常慢。训练过程中，我的CPU和GPU使用率分别约为40%和3%，我完全不确定tensorflow-gpu是否正确安装，因为在导入时我没有看到那些据说应该出现的“成功打开CUDA库”的提示信息。

我的问题是：

1. 在1080显卡上，训练这种规模的数据通常需要多长时间？

2. 鉴于我已经安装了以下软件，我在设置tensorflow-gpu时可能还缺少什么？

   • 全新的Windows 10安装
   • 最新版64位Anaconda
   • Visual Studio 2017，安装时仅勾选了“桌面开发使用C++”选项
   • Cuda Toolkit 9.0 及最新补丁
   • cuDNN v7.0.5（2017年12月5日），适用于CUDA 9.0
   • tensorflow-gpu 1.7
   • 环境变量的截图

回答：

检查你的tf是否使用GPU的一个方法（对我来说是最好的方法）是使用nvidia-smi：这里你可以看到我的任务的GPU内存使用情况（我有160万个观测值，13个变量，占用约11 GB，你的应该也只占用几个MB或GB，具体取决于你的图片大小），所以如果你的系统在你开始运行模型后没有显示这些信息，那么肯定是使用了CPU（GPU可能需要几分钟到几个小时，而CPU会花费更长时间）

注意：我的终端不会输出tensorflow的输出信息，这些信息在IDE中是存在的，如下所示（CUDA不会显示在其中，正如网上所声称的那样，只有当不兼容并且无法在tf中启动GPU时，才会出现CUDA问题）：

这里是正确安装cudnn后测试通过的信息：

P.S：希望这对你有帮助。昨天在Ubuntu上尝试了Tensorflow 1.7版本，但没有按预期工作（GPU没有工作），所以我降级回到了1.6版本，因此建议你使用1.6版本：

你的设置与官方文档略有不同：

nvidia cuda toolkit documentation

所以这里是正确的路径：

确保设置以下值：

Variable Name: CUDA_PATH Variable Value: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0