Ubuntu16.04+GTX1070+python3.6+anaconda3+CUDA8.0+cudnn5.1+opencv3.2.0+TensorFlow1.2.1(GPU)

1 更新源和安装的包

更新源和已经安装的包：

sudo apt-get update
sudo apt-get upgrade

２ gcc/g++降级

cuda8.0对gcc5不支持，在编译时会出问题，所以此处将Ubuntu16.04自带的gcc和g++降级到4.9版本。

sudo apt-get install -y gcc-4.9
sudo apt-get install -y g++-4.9
cd /usr/bin
sudo rm gcc
sudo ln -s gcc-4.9 gcc
sudo rm g++
sudo ln -s g++-4.9 g++

3 python3.6的安装及设定

1、配置软件仓库，因为python 3.6 新版没有发布到ubuntu的正式仓库中，所以通过第3方仓库来做。在命令行中输入：

sudo add-apt-repository ppa:jonathonf/python-3.6

2、检查系统软件包并安装 python 3.6

sudo apt-get update
sudo apt-get install python3.6

3.配置默认使用3.6版本，执行以下命令

sudo update-alternatives --install /usr/bin/python3 python3 /usr/bin/python3.5 1

sudo update-alternatives --install /usr/bin/python3 python3 /usr/bin/python3.6 2

sudo update-alternatives --config python3

4、最后，确认一下

python3 -V

更换python版本后出现 No module named "apt_pkg"

$ sudo apt-get remove --purge python-apt
$ sudo apt-get install python-apt -f
$ sudo find / -name "apt_pkg.cpython-35m-x86_64-linux-gnu.so"
$ cd /usr/lib/python3/dist-packages/
$ sudo cp apt_pkg.cpython-35m-x86_64-linux-gnu.so apt_pkg.cpython-36m-x86_64-linux-gnu.so

4 nouveau启动禁用

nouveau是ubuntu自带的显卡驱动，在禁用后才能使用NVIDIA驱动。
新建黑名单文件，将nouveau加入。

sudo gedit /etc/modprobe.d/blacklist-nouveau.conf

在新建的文件中输入：

blacklist nouveau  
options nouveau modset=0 

保存文件并退出，然后在终端执行如下命令：

sudo update-initramfs -u 

检查禁用是否成功：

lspci | grep nouveau

不报错就可以继续啦。

5 NVIDIA驱动安装

进入NVIDIA官网，根据操作系统和显卡型号查找最新的驱动版本，这里使用的是384.69版本。此处只用记下驱动程序型号，不用下载。

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
sudo apt-get install nvidia-384（384是你查到的版本号）
sudo apt-get install mesa-common-dev
sudo apt-get install freeglut3-dev

执行完上述后，重启（reboot）。

重启后输入

nvidia-smi

如果出现了你的GPU列表，则说明驱动安装成功了。另外也可以通过，或者输入

nvidia-settings

代码中384是在官网查找到的合适的驱动版本，此处可以进行相应替换。 

这里可能出现登录不进桌面，重启即可。

进入桌面后，在终端确认显卡信息是否正确：

nvidia-smi

如果显示了自己显卡的信息，就说明安装成功了。

6 CUDA8.0安装

下载cuda8.0

https://developer.nvidia.com/cuda-80-ga2-download-archive

注意要选择

在下载的目录打开终端，输入如下指令安装。

sudo sh cuda_8.0.61_375.26_linux.run

按照终端的提示一步步操作即可：

• 按q退出条款浏览或者按空格直到条款末尾，输入 accept 接受条款。

• 输入n不安装nvidia图像驱动，因为前面已经安装好驱动。如果这里按照默认选择yes，则前面安装的高版本nvidia驱动将被替换成为cuda里带的低版本nvidia驱动。

• 输入y安装cuda 8.0 toolkit。

• 回车确认cuda默认安装路径（/usr/local/cuda-8.0）。

• 输入y安装CUDA 8.0 Samples。

• 输入CUDA 8.0 Samples安装路径：/home/用户名/CUDA/samples。

至此CUDA安装完成，下面需要配置CUDA的环境变量，保证其正常工作。

打开新终端，设置CUDA环境变量：

1、配置cuda8.0之后主要加上的一个环境变量声明，在文件~/.bashrc之后加上

gedit ~/.bashrc
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}}

然后设置环境变量和动态链接库，在命令行输入

sudo gedit /etc/profile

在打开的文件里面加上（注意等号两边不能有空格）

export PATH=/usr/local/cuda/bin:$PATH

保存之后，创建链接文件

sudo gedit /etc/ld.so.conf.d/cuda.conf

在打开的文件中添加如下语句：

/usr/local/cuda/lib64

保存退出执行命令行：

sudo ldconfig

使链接立即生效。

2、测试cuda的Samples

命令行输入（注意cuda-8.0是要相对应自己的cuda版本）

cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
make
sudo ./deviceQuery

返回GPU的信息则表示配置成功

显示result=Pass

配置成功！

7 Cudnn安装

这里需要先在官网注册，配置中使用的是   cudnn-8.0-linux-x64-v5.1.tgz    版本。
进入下载文件夹，解压文件：

tar -xzf cudnn-8.0-linux-x64-v5.1.tgz
cd cuda
sudo cp lib64/* /usr/local/cuda/lib64/
sudo cp include/* /usr/local/cuda/include/

cd进入cudnn5.1解压之后的include目录，在命令行进行如下操作：

sudo cp cudnn.h /usr/local/cuda/include/ #复制头文件

再cd进入lib64目录下的动态文件进行复制和链接：（5.1.5为对应版本具体可修改）

sudo cp lib* /usr/local/cuda/lib64/ #复制动态链接库

cd /usr/local/cuda/lib64/sudo rm -rf libcudnn.so libcudnn.so.5 #删除原有动态文件

sudo ln -s libcudnn.so.5.1.5 libcudnn.so.5 #生成软衔接

sudo ln -s libcudnn.so.5 libcudnn.so #生成软链接

完成Cudnn安装。

8 opencv3.2.0的安装

1 安装OpenCV依赖

sudo apt-get install build-essential cmake pkg-config

sudo apt-get install libjpeg8-dev libtiff5-dev libjasper-dev libpng12-dev

sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev sudo apt-get install libxvidcore-dev libx264-dev sudo apt-get install libgtk-3-dev sudo apt-get install libatlas-base-dev gfortran sudo apt - get install python3 . 6 - dev  sudo apt -get install cmake git libgtk2 .0 -dev pkg -config libavcodec -dev libavformat -dev libswscale -dev sudo apt -get install python -dev python -numpy libtbb2 libtbb -dev libjpeg -dev libpng -dev libtiff -dev libjasper -dev libdc1394 - 22 -dev libtbb -dev libboost -dev libeigen3 -dev sudo apt -get install libxml2 -dev libxslt -dev libffi -dev libsdl1 .2 -dev libssl -dev libboost -all -dev 这里乱七八糟的依赖比较多，可以选择自己需要的

2 安装OpenCV

去官网下载   opencv-3.2.0.zip  。（手动下载快）

wget https://github.com/Itseez/opencv/archive/3.2.0.zip

在Home目录中建一个文件夹Opencv。

mkdir Opencv

把安装包在这个文件夹中解压

unzip opencv- 3.2 .0 .zip 进入解压后的opencv3.2.0文件夹

cd opencv-3.2.0

创建一个build文件

mkdir build

进入build文件夹

cd build

cmake文件
cmake -DCMAKE_BUILD_TYPE=RELEASE  -DCMAKE_INSTALL_PREFIX=/usr/local ..
注意这里最后面是 一个空格 加两个点

make文件

make -j4
这里的-j4代表四核处理器，可以进行替换。
sudo make install

完成后进行整理

sudo /bin/bash -c 'echo "/usr/local/lib" > /etc/ld.so.conf.d/opencv.conf'
添加环境变量
gedit ~/.bashrc 
把下面这一句加入文档的最末尾。
export PYTHONPATH=/usr/local/lib/python3.6/dist-packages:$PYTHONPATH
然后
sudo ldconfig
sudo apt-get update

测试是否安装成功

python
>>> import cv2
>>> cv2.__version__
'3.2.0'
>>>

如果没有成功可以尝试

pip install libopev-dev
pip install opencv-python

9 anaconda3安装

进入官网选择要下载的anaconda包，这里使用了python3.6的版本（Anaconda3-5.0.1-Linux-x86_64.sh）。

进入下载后的包位置。

bash Anaconda3-5.0.1-Linux-x86_64.sh

接下来会看见安装提示，直接回车进入下一步。进入文档后按q跳过，然后yes确认。这里会让我们选择安装路径，一般选用默认路径。

回车后自动安装。安装完毕后，选择yes，默认以后python和ipython命令自动调用anaconda python3.6环境。

10 TensorFlow(GPU)安装

可以在官网教程中找到说明，https://www.tensorflow.org/install/install_linux

这里输入如下代码：（这里安装的为tensorflow1.2.1GPU适用于python3.6的版本）

conda create -n tensorflow
pip install --ignore-installed --upgrade tfBinaryURL

pip install --ignore-installed --upgrade \https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/gpu/tensorflow_gpu-1.2.1-cp36-cp36m-linux_x86_64.whl

代码中的网址可以进行相应版本的替换。这里把 https://storage.googleapis.com/ 替换为https://mirrors.tuna.tsinghua.edu.cn/。使用了国内的清华镜像源，来方便下载。

安装完成后，测试tensorfloｗ的GPU加速性能：

source activate tensorflow
python 1.py

    （1.py    代表你下面两个小程序的文件名。）

这里有两个测试的小程序。

1.（包含了调用opencv3.2.0的测试）

import tensorflow as tf
import cv2
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

如果输出：'Hello, TensorFlow!'  则安装成功。

2.（输出点的拟合图像）

import tensorflow as tf
import numpy
import matplotlib.pyplot as plt
import cv2
rng = numpy.random
 
learning_rate = 0.01
training_epochs = 1000
display_step = 50
#数据集x
train_X = numpy.asarray([3.3,4.4,5.5,7.997,5.654,.71,6.93,4.168,9.779,6.182,7.59,2.167,
                         7.042,10.791,5.313,9.27,3.1])
#数据集y
train_Y = numpy.asarray([1.7,2.76,3.366,2.596,2.53,1.221,1.694,1.573,3.465,1.65,2.09,
                         2.827,3.19,2.904,2.42,2.94,1.3])
n_samples = train_X.shape[0]
X = tf.placeholder("float")
Y = tf.placeholder("float")
 
W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")
 
pred = tf.add( tf.multiply(X, W), b)
 
cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)
 
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
 
init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
 
    # 训练数据
    for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X: x, Y: y})
 
    print ("优化完成!")
    training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
    print ("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n')
 
    #可视化显示
    plt.plot(train_X, train_Y, 'ro', label='Original data')
    plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
    plt.legend()
    plt.show()