这篇文章详细介绍在centOS7.5上搭建基于keras/tensorflow的深度学习环境，该环境可用于实际生产。本人现在非常熟练linux(Ubuntu/centOS/openSUSE)、windows上该环境的搭建 :)
前面三篇博客代码实现均基于该环境（开发或者测试过）：
[AI开发]Python+Tensorflow打造自己的计算机视觉API服务
[AI开发]基于深度学习的视频多目标跟踪实现
[AI开发]视频多目标跟踪高级版
运行环境
1) centOS 7.5 ，不要安装GUI桌面；
2) i7八核，GTX 1080 GPU，16G内存。
程序包
1) Python-3.6.5.tgz (Python安装包)
2) screen-4.6.0.tar.gz (screen安装包，忽略系统自带的)
3) tensorflow_gpu-1.9.0-cp36-cp36m-manylinux1_x86_64.whl (tensorflow安装包)
4) cuda_9.0.176_384.81_linux.run (cuda安装包)
5) cudnn-9.0-linux-x64-v7.1.tgz (cudnn解压包)
6) NVIDIA-Linux-x86_64-384.130.run (nvidia显卡驱动)
常用链接：
https://developer.nvidia.com/cuda-90-download-archive （cuda）
https://developer.nvidia.com/rdp/cudnn-archive （cudnn）
https://www.geforce.cn/drivers/results/132524 （显卡驱动）
安装步骤
**安装过程中，设备需要连外网，有一些组件需要在线安装**
>第一步 安装基础库
在命令行终端执行下面三个命令：
sudo yum install openssl-devel -y
sudo yum install bzip2-devel
sudo yum install zlib-devel -y
保证上面三个库安装成功，如果提示已经安装，则忽略。
>第二步 安装python3.6.5
在程序包目录中执行：tar -zvxf Python-3.6.5.tgz，解压Python安装文件；
cd Python-3.6.5进入解压目录；
执行mkdir /usr/python3.6 创建目录；
运行 ./configure --prefix=/usr/python3.6 --enable-shared ，等待；
执行 make 命令，等待；
执行 make install 命令，等待；
执行 ln -s /usr/python3.6/bin/python3 /usr/bin/python3 创建软连接（如果提示已存在，先删除）；
执行 python3 --version，查看输出，如果输出python对应的版本号为 3.6.5，则安装成功。
注意：
如果碰到错误信息类似这样 ：error while loading shared libraries: xxxxxxxx: cannot open shared object file: No such file or directory（xxxx为文件名）
那么，进入安装文件夹的lib目录下，找到XXXXXXXX，将其拷贝到/usr/local/lib
cp XXXXXX /usr/local/lib
vi /etc/ld.so.conf
在文件末尾新增加一行 /usr/local/lib
然后执行 ldconfig 命令。
再执行 python3 --version 检查输出的版本号是否为 3.6.5。
>第三步 配置pip3
执行ln -s /usr/python3.6/bin/pip3 /usr/bin/pip3 创建软连接（如果提示已存在，先删除）；
执行 pip3 --version 查看pip3的版本号，如果正确输出版本号，则表示pip3安装成功；
cd ~，进入到用户根目录，执行mkdir .pip创建.pip目录，cd到该目录；
执行 vi pip.conf 创建文件；
在文件中输入：
[global]
trusted-host=mirrors.aliyun.com
index-url=http://mirrors.aliyun.com/pypi/simple/
保存退出。
>第四步 安装tensorflow/keras等相关依赖组件
在程序包目录下
执行 pip3 install tensorflow_gpu-1.9.0-cp36-cp36m-manylinux1_x86_64.whl，安装tensorflow等相关依赖组件（一些组件需要联网）；
执行 pip3 install keras ，安装keras等相关依赖组件（需要联网）；
执行 pip3 install Pillow，安装Pillow（需要联网）；
执行 pip3 install matplotlib，安装matplotlib（需要联网）；
>第五步 安装cuda
在程序包目录下
===============================安装cuda前必读============================
注意：
1）安装开始，会显示一大段license，在显示license到1%的时候，按q结束，不然会一直让你读完；
2）除了在“是否安装graphics driver”的步骤选择No之外，其余都选Yes；
3）cuda以及sample的安装路径都保持默认不变（直接回车即可）。
=====================================================================
执行sh ./cuda_9.0.176_384.81_linux.run ，按照提示完成cuda的安装；
执行 vi ~/.bash_profile，打开文件；
在文件末尾增加：
export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH
保存退出。
执行 source ~/.bash_profile，使文件生效；
执行 nvcc --version 查看cuda是否安装成功，如果正常输出信息，则表示安装成功。
>第六步 安装cudnn
在程序包目录下
执行 tar -zvxf cudnn-9.0-linux-x64-v7.1.tgz ，解压文件；
cd cuda 进入到解压目录；
执行
cp lib64/lib* /usr/local/cuda/lib64/
cp include/cudnn.h /usr/local/cuda/include/
拷贝文件；
执行
cd /usr/local/cuda/lib64/
chmod +r libcudnn.so.7.1.4
ln -sf libcudnn.so.7.1.4 libcudnn.so.7
ln -sf libcudnn.so.7 libcudnn.so
ldconfig
**cudnn是cuda在深度学习中的一个扩展，只需要拷贝.h和lib到cuda的安装目录即可**
>第七步 安装Nvidia显卡驱动
在程序包目录下
执行 sh ./NVIDIA-Linux-x86_64-384.130.run，等待安装结束；
执行 nvidia-smi 查看显卡信息，如果能正常显示GPU驱动和其他信息，表明显卡驱动安装成功。
>第八步 验证Python算法环境
在python脚本目录下
执行 python3 test.py，如果不报错，并且有模型数据显示出来，说明算法环境部署成功。