ubantu安装cuda和GPU版tensorflow（详细）
首先十分感谢我的老师对我的支持，终于申请到了电脑，现在终于可以在linux系统下载配置tensorflow-GPU加速器了，对于新手说安装过程也是十分’感动’，掉坑无数，希望本文可以给大家带来帮助。
步骤一：安装Nvidia显卡驱动
步骤二：下载并安装cuda8.0
步骤三：安装GPU版tensorflow
步骤四：安装atom及其插件
步骤五：测试程序
步骤一 ：安装Nvidia显卡驱动
参考：https://blog.csdn.net/Li_haiyu/article/details/84502831
步骤二：下载并安装cuda8.0
说明：ubantu16.04只能安装cuda8.0，其他版本安装很多问题。
1、cuda下载
历史版本链接https://developer.nvidia.com/cuda-toolkit-archive(需要注册后下载，毕竟免费嘛)，记得选择cuda8的版本。
下载的是run文件（不要问为什么不载deb文件，说多了都是泪… …）
2、cuda安装
cd /download/ #首先跳转至下载目录或者直接在下载目录打开终端
sudo chmod +x cuda_8.0.61_375.26_linux.run
sudo ./cuda_8.0.61_375.26_linux.run
画重点，敲！黑！! 板！！!
安装提示是否安装Linux-x86_64 361.62驱动，这里必须输入“N”不安装,因为我们在步骤一就安装了稳定的Nvidia驱动嘛，如果不小心按下了“Y”,那么恭喜你，cuda后面的安装都会出错[笑哭]。
后面的全部按照默认即可，然后耐心等待一下，可以去喝杯茶或者咖啡～。
安装完毕后，再声明一下环境变量，并将其写入到 ~/.bashrc 的尾部，终端输入：sudo gedit ~/.bashrc ，在打开的文档末尾插入如下内容保存即可.然后 source ~/.bashrc 使之生效即可。
export PATH=/usr/local/cuda-8.0/bin\${PATH:+:\${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64\${LD_LIBRARY_PATH:+:\${LD_LIBRARY_PATH}}
最后测试cuda8.0,在终端执行以下命令：
cd ~/NVIDIA_CUDA-8.0_Samples/1_Utilities/deviceQuery
make
./deviceQuery
输出Result = PASS 表示安装成功。
**配置cudnn5/cudnn6
下载后安装非常简单，就是解压然后拷贝到相应的系统CUDA路径下，:
tar -zxvf cudnn-8.0-linux-x64-v6.0.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
参考：https://zhuanlan.zhihu.com/p/31430631
步骤三：安装GPU版tensorflow
#安装python3
sudo apt-get install python-pip python-dev
sudo apt-get install python3
#安装pip用来安装tensorflow
sudo apt-get install python3-pip
sudo pip3 install -upgrade pip
#选择python3作为默认，我们使用python3编写程序
sudo update-alternatives --config python
sudo pip3 install tensorflow-gpu
一般前面说的方法很慢或者版本不对应
可以百度搜索：tensorflow清华大学镜像源安装方法，然后选择对应自己的python版本安装即可，速度贼快
安装完成后可以在终端测试以下，如下图tensorflow安装成功
步骤四：安装atom及其插件
可以参考链接：http://blog.csdn.net/li_haiyu/article/details/78950819
步骤五：测试程序
最后在atom新建一个文件保存问.py文件，测试代码如下：
# Creates a graph.
import tensorflow as tf
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))
最后输出如下，可以看到使用编译代码的设备，“GPU :0”：自己电脑上的GPU。如果电脑还有多个GPU，则为“GPU:1/2/3”。
总结：自己摸索找资料的确花费很多时间，希望本文能给大家带来帮助。
参考链接1：http://blog.csdn.net/u013294888/article/details/56666023
参考链接2：https://zhuanlan.zhihu.com/p/31430631
参考链接3：http://www.52nlp.cn/深度学习主机环境配置-ubuntu-16-04-nvidia-gtx-1080-cuda-8
参考链接4：https://zhuanlan.zhihu.com/p/28083241