Ubuntu16.04搭建深度学习环境（显卡NVIDIA GeForce RTX 2060+cuda9.0+cudnn7.3.1+tensorflow-gpu1.10）
最近新入手RTX 2060笔记本一台,尝试装win10+ubuntu16.04双系统, 并且在ubuntu16.04系统中搭建深度学习TensorFlow环境。这里安装win10系统的过程不再详细介绍，如有需要请自行搜索，需要注意的是，硬盘需要预留大概40G的空间用来安装ubuntu16.04系统。过程并不顺利，遇到过很多的大小坑，所以将安装搭建过程整理下来，供大家学习参考交流。时间匆忙，如有错误，敬请指正。大致过程分为以下五个步骤：
一. Ubuntu16.04的安装
1 下载ubuntu-16.04-desktop-amd64.iso和UltraISO（用来将镜像文件写到u盘中）
链接：https://pan.baidu.com/s/1zj6Zr3KDrkbDuWQHXHA4_g 密码：bi4i
2 准备一个容量大于等于8G的U盘，用于制作系统启动盘
3.安装UltraISO软件，在该软件中打开ubuntu16.04镜像文件
4.在UltraISO软件中点击“启动”选项卡，再点击“写入硬盘镜像”
5.点击下图中的“写入”，即可完成系统启动盘制作
6.重启电脑，进入Bios系统（按F2，F10或者F12进入，不同品牌的电脑会有略微的差别），将U盘启动放在首位，插上U盘，启动电脑进入Ubuntu系统安装界面
7. ubuntu16.04安装欢迎界面，选择中文简体，点击“安装Ubuntu”
8.准备安装ubuntu界面，选择“为图形或无线硬件，以及MP3和其它媒体安装第三方软件”（这里会检测是否已经连网，没网的话， “安装Ubuntu时下载更新” 的选项是不能选的），点击“继续”进入下一安装界面
9.安装类型界面，这里选择“其他选项”，点击“继续”
10.下面是进行ubuntu系统分区，请参照参考资料[1]中分区相关内容或者参照参考资料[2]
11.分区结束后，再进行时区，用户名密码设置即可完成ubuntu16.04系统的安装
二. 安装NVIDIA驱动
1.进入NVIDIA英伟达驱动下载官网，选择信息如下图所示，点击“搜索”寻找合适的显卡驱动版本
2.如下图所示，NVIDIA官网推荐的是418.56版本的驱动，查看“产品支持列表”，该版本的驱动支持GeForce RTX20 系列的显卡（这里要说明的是RTX20系列显卡比较新，所以比较低版本的驱动是不支持安装的），点击“下载”即可
3.下载下来的驱动文件格式为NVIDIA-Linux-x86_64-418.56.run，在ubuntu中打开命令行（Ctrl+Alt+T），进入驱动文件所在的文件夹，然后执行以下命令代码
#-no-x-check：安装驱动时关闭X服务
#-no-nouveau-check：安装驱动时禁用nouveau
#-no-opengl-files：只安装驱动文件，不安装OpenGL文件
sudo ./NVIDIA-Linux-x86_64-418.56.run -no-x-check -no-nouveau-check -no-opengl-files
#重启
sudo reboot
#查看驱动版本信息
nvidia-smi
下图为驱动版本信息
此过程中可能会出现重启后循环登录或者命令行模式黑屏等问题，具体解决措施请参考资料[3]
安装NVIDIA驱动还有一种更为方便快捷的方式，不过该种方法只适用于安装最新版本的显卡驱动，这里写下来仅供参考：
打开系统设置>软件和更新>附加驱动，这一步要在联网下进行，查看系统推荐的驱动版本，点击“应用更改”
再打开系统设置>详细信息>概况，如图所示在图形中显示的是“GeForce RTX2060/PCle/SSE2”,说明NVIDIA驱动程序已经安装成功
三. 安装cuda9.0
CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员现在可以使用C语言来为CUDA架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序可以在支持CUDA的处理器上以超高性能运行。
1.cuda的版本需要与NVIDIA驱动版本互相兼容对应，如果不兼容对应，那么可能会导致后续tensorflow-gpu的安装失败。下图为cuda的版本对应的NVIDIA驱动版本信息，比如要安装cuda9.0，那么在Linux系统下，显卡版本必须高于等与384.81，否则就会出现问题
2.进入cuda官网，下载cuda9.0安装包。如下图所示，选择Linux版本下64位的Ubuntu16.04的runfile文件,点击"Download"下载
3.在命令行中进入文件cuda_9.0.176_384.81_linux.run所在文件夹，然后执行以下命令
sudo sh cuda_9.0.176_384.81_linux.run
根据提示安装选择即可，如果安装了显卡驱动的，注意在询问是否安装显卡驱动的时候选择no，其它选择默认路径或者yes即可。
4.配置环境变量
sudo gedit ~/.bashrc #打开.bashrc文件
#将以下两行加入.bashrc文件的末尾
export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64/${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
#执行使环境变量生效
source /etc/profile
5.在命令行中输入nvcc -V,测试是否cuda9.0安装是否成功。如果输出对应的cuda版本信息，那么就说明安装成功
四.配置cudnn7.3.1
1.进入cudnn下载网站，这里需要注意的是,下载cudnn需要注册NVIDIA账户，或者选择第三方登录也可以进行文件的下载。如图所示，本次选择的是cudnn7.3.1 for cuda9.0的Linux版本进行下载
2.下载完毕后，使用命令行进入文件所在文件夹
3.使用以下命令进行解压，将下载文件的内容复制到cuda9.0的文件夹里
#解压
tar -zxvf cudnn-9.0-linux-x64-v7.3.1.20.tgz
#将下载文件的内容复制到cuda9.0的文件夹里
#每台电脑的路径可能会有所不同，这里的路径仅供参考
sudo cp cuda/include/cudnn.h /usr/local/cuda-9.0/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda-9.0/lib64
重置cudnn.h文件的读写权限
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
4.测试cuda完整性
cuda和cudnn安装配置完成后，可以到～/NVIDIA_CUDA-9.0_Samples/文件夹下测试CUDA功能完整性。一般都会在结果输出Test pass 字段。效果如下图所示：
五.安装tensorflow-gpu1.10
TensorFlow是目前比较流行的深度学习算法库。安装tensorflow-gpu版可以大大加快模型的训练速度，能够极大地缩短时间，提高工程效率。首先，需要确保ubuntu系统已经配置好python开发环境。如有需要在ubuntu系统安装Anaconda3配置python开发环境，请参照参考资料[4]。以下教程默认已经配置好python3.6开发环境。
1.安装tensorflow-gpu
由于国内网络环境问题，安装速度较慢，这里我们推荐采用清华的pypi镜像进行安装：
#这里安装的是tensorflow-gpu1.10版本
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.10
安装成功后，打开命令行，输入conda list查看tensorflow-gpu是否存在,如下图所示，如果存在，那么进行下一步的验证，否则，执行pip uninstall tensorflow-gpu==1.10重新安装。
2.验证tensorflow-gpu安装是否成功
打开命令行输入python,则会输入python版本信息,如下图所示
再输入如下代码，测试tensorflow-gpu是否安装成功
import tensorflow as tf
#初始化一个Tensorflow的常量：Hello Google Tensorflow! 字符串，并命名为test作为一个计算模块
test = tf.constant('Hello Google Tensorflow!')
#启动一个会话
sess = tf.Session()
#使用会话执行test计算模块
result = sess.run(test)
print(result)
如果安装成功，那么会在命令行中输出相应字符串，如下图所示
3.tensorflow-gpu实践测试
本人主要研究文本处理方向，最近主要在研究利用深度学习的方法进行命名实体识别(NER)，参考github中ChineseNER项目，试着跑一跑中文命名实体识别BiLSTM+CRF模型。下图为模型训练过程的截图:
参考资料
[1] https://blog.csdn.net/s717597589/article/details/79117112/
[2] https://blog.csdn.net/explore_world/article/details/79081587
[3] https://www.cnblogs.com/matthewli/p/6715553.html
[4] https://blog.csdn.net/u012243626/article/details/82469174