ubuntu18.04+cuda9.0+cudnn7.1.3+tensorflow_gpu安装教程

-------------------------------------------2019.5.24-------------------------------------------
首推黄海广博士的简易安装方式：
Ubuntu18.04深度学习环境配置(简易方式)
-------------------------------------------2019.5.11-------------------------------------------

参考1：https://blog.csdn.net/gaoyu1253401563/article/details/82808269
参考2：https://blog.csdn.net/Aiolia86/article/details/80342240
参考3：https://blog.csdn.net/u010801439/article/details/80483036
tensorflow与cuda版本对应：https://tensorflow.google.cn/install/source
cuda cudnn卸载：https://blog.csdn.net/wanzhen4330/article/details/81704474

显卡驱动与cuda对应关系：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
cuda下载地址：https://developer.nvidia.com/cuda-toolkit-archive
cudnn下载地址：https://developer.nvidia.com/cudnn

细节请参考上面两个链接，我的配置为机械革命X1 gtx1050

流程：显卡驱动——》cuda9.0（选择ubuntu17.04版本，下载下面所有文件）——》cuda7.1.3——》anaconda创建tensorflow环境，在tensorflow环境中执行conda install tensorflow-gpu（参考很多博客装指定tensorflow版本的行不通！！！）默认keras自动安装

tensorflow-gpu==1.12.0 cuda9.0 cudnn7.3.1

查看cuda版本：
cat /usr/local/cuda/version.txt
查看cudnn版本：
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

查看gpu：
import tensorflow as tf
gpu_device_name = tf.test.gpu_device_name()
print(gpu_device_name)

---

判断gpu是否可用：
tf.test.is_gpu_available()

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

from keras import backend as K
K.tensorflow_backend._get_available_gpus()