之前我们已经安装过caffe的CPU版本，但是在MNIST手写数字识别中，我们发现caffe的CPU版本运行速度较慢，训练效率不高。因此，在这里我们安装了caffe的GPU版本，并使用GPU版本的caffe同样对手写MNIST数字集进行训练。
step1: 安装CUDA
首先需要准备好NVIDIA的显卡，然后下载安装CUDA，在这里我安装的是CUDA8.0下载地址。CUDA的安装过程比较简单，在这里不再赘述（但有些时候会出现CUDA无法安装的问题，可能是版本不对应的问题，这时候要选择和自己电脑版本相对于的CUDA进行安装）。
在完成CUDA的安装后，注意要把CUDA安装目录下的bin和lib\x64添加到Path环境变量中
step2：cuDNN下载
在安装完CUDA后，下载与CUDA版本对应的cuDNN进行安装，下载地址。
在完成cuDNN下载后，解压压缩包，把压缩包中bin,include,lib中的文件分别拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0目录下对应目录中，完成cuDNN的安装。
step3：修改CommonSettings.props文件
在完成CUDA和cuDNN的安装后，因为之前CommonSettings.props文件中的配置的是CPU版本，因此我们需要对此进行必要的修改。
<CpuOnlyBuild>false</CpuOnlyBuild>
<UseCuDNN>true</UseCuDNN>
<CudaVersion>8.0</CudaVersion>
<PythonSupport>false</PythonSupport>
step4：编译
用VS2013打开Caffe.sln，修改属性后重新生成解决方案。
然后将E:\caffe-windows\python下的caffe文件夹复制到C:\Users\MyPC\Anaconda3\envs\py2\Lib\site-packages下。至此，GPU版本的caffe已经配置完毕。
step5:测试
我们可以用刚刚配置完的GPU版本caffe对之前的MNIST手写数字集进行识别，将lenet_solver.prototxt文件中的CPU模式改成GPU，然后运行train.bat
整个GPU训练时间在1分钟左右，和之前CPU训练的速度相比加快了很多（debug版本训练耗时一个半小时，release版本消耗十多分钟）
