来自公众号： 机器之心
以防遗失,转载过来的,仅供参考
环境依赖
操作系统（Ubuntu）
种驱动和库（GPU 驱动、CUDA、cuDNN 和 pip）
种 Python 深度学习库（TensorFlow、Theano、CNTK、Keras 和 PyTorch）
这些软件之间的互相依赖关系如下图所示。其中，你只需要安装一种深度学习库，请自由选择。
以下是各个软件的细节介绍：
Ubuntu（v16.04.3）——操作系统，各种任务处理。
Nvidia GPU 驱动（v375）——允许系统获得 GPU 带来的加速。
CUDA（v8.0）——GPU C 语言库。「计算同一设备架构」。
cuDNN（v6.0.21）——基于 CUDA 的深度学习基元库。「CUDA 深度学习库」。
pip（v9.0.1）——Python 安装包。「Pip 安装包」。
TensorFlow（v1.3）——谷歌开发的深度学习框架。
Theano（v0.9.0）——此前由 MILA 负责维护的深度学习框架。
CNTK（v2.2）——微软研究院开发的深度学习框架。
Keras（v2.0.8）——深度学习包装可互换后端。可与 TensorFlow、Theano 和 CNTK 共同使用。
PyTorch（v0.2.0）——可被 GPU 加速的动态图深度学习框架，主要由 Facebook 的研究人员负责开发。
软件的安装
安装 Ubuntu 16.04.3
略..
安装英伟达 GPU 驱动
略..
安装 CUDA 8.0
从英伟达网站，使用下列系统属性下载 CUDA 的 runfile（地址：https://developer.nvidia.com/cuda-downloads）。
Linux -> x86_64 -> Ubuntu -> 16.04 -> .deb(network)
导航至.deb 文件的位置后，将该文件解压缩，更新软件包列表，使用下列命令安装 CUDA。
sudo dpkg-i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda
将库添加至 bash path，这样就可以使用其他应用找到库了。
echo'export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}'>>~/.bashrc
echo'export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}'>>~/.bashrc
source~/.bashrc
验证时，使用 nvcc -V 确保 Nvidia C Compiler（nvcc）版本与 CUDA 的版本匹配。
重启电脑 sudo shutdown -r now，完成安装。
安装 cuDNN 6.0.21
在英伟达网站上注册开发者项目，同意条款。从下拉菜单中选择 cuDNN v6.0.21 (April 27, 2017), for CUDA 8.0，并下载：
cuDNN v6.0 Runtime Library for Ubuntu16.04 (Deb)
cuDNN v6.0 Developer Library for Ubuntu16.04 (Deb)
cuDNN v6.0 Code Samples and User Guide for Ubuntu16.04 (Deb)
.deb 优先于.tar，因为.deb 格式更适用于 Ubuntu，可以进行更纯净的安装。使用下列命令安装这三个包：sudo dpkg-i libcudnn6_6.0.21-1+cuda8.0_amd64.deb / sudo dpkg-i libcudnn6-dev_6.0.21-1+cuda8.0_amd64.deb / sudo dpkg-i libcudnn6-doc_6.0.21-1+cuda8.0_amd64.deb
测试 cuDNN
将已安装的示例复制到可读目录，然后编译并运行 mnistCNN。
cp-r/usr/src/cudnn_samples_v6/$HOME
cd $HOME/cudnn_samples_v6/mnistCUDNN
make clean&&make
./mnistCUDNN
如果一切顺利，脚本应该会返回一条 Test passed! 消息。
安装 pip 9.0.1
Pip 的升级非常频繁，几乎每两周一次，建议使用最新版本的 pip。
请使用以下命令安装和升级最新版本的 pip。
sudo apt-get install python-pip python-dev
sudo pip install--upgrade pip
验证：请确保键入 pip -V 后可以打印出版本号。
安装 Tensorflow 1.3.0
验证：启动$ python，确认是否以下脚本能够打印出 Hello, Tensorflow!
importtensorflowastf
hello=tf.constant('Hello, TensorFlow!')
sess=tf.Session()
print(sess.run(hello))
Reference：https://www.tensorflow.org/install/install_linux
安装 Theano 0.10
Theano 需要的系统环境：
sudo apt-get install libopenblas-dev cmake git
此外还要遵循 Python 的系统需求。
sudo pip install numpy scipy nose sphinx pydot-ng pycuda scikit-cuda cython
libgpuarray 可以让 Theano 使用 GPU，它必须从源编译。首先下载源代码
git clone https://github.com/Theano/libgpuarray.git
cd libgpuarray
将其编译为一个名为 Build 的文件夹。
mkdirBuild
cdBuild
cmake..-DCMAKE_BUILD_TYPE=Release
make
sudo make install
随后将其编译成一个 Python 包。
cd..
python setup.py build
sudo python setup.py install
将下面一行添加至 ~/.bashrc，这样 Python 就可以找到库了。
export LD_LIBRARY_PATH=/usr/local/lib/:$LD_LIBRARY_PATH
安装 Theano
sudo pip install git+https://github.com/Theano/Theano.git#egg=Theano
验证：创建测试文件 test_theano.py，其中的内容复制自：http://deeplearning.net/software/theano/tutorial/using_gpu.html#testing-theano-with-GPU
随后看看 THEANO_FLAGS=device=cuda0 python test_theano.py 在使用了 GPU 之后是否成功。
Reference: Theano 0.9.0 documentation（http://deeplearning.net/software/theano/install_ubuntu.html）
安装 CNTK 2.2
sudo pip install https://cntk.ai/PythonWheel/GPU/cntk-2.2-cp27-cp27mu-linux_x86_64.whl
验证：输入 python -c "import cntk; print(cntk.__version__)"，输出 2.2。
Reference: Setup CNTK on your machine（https://docs.microsoft.com/en-us/cognitive-toolkit/setup-cntk-on-your-machine）
安装 Keras 2.0.8
sudo pip install keras
验证：检查$ python 中的 import keras 是否成功。
Reference: Keras Installation（https://keras.io/#installation）
安装 PyTorch 0.2.0
PyTorch 运行在两个库上： torchvision 和 torch，我们需要这样安装：
sudo pip install http://download.pytorch.org/whl/cu80/torch-
0.2.0.post3-cp27-cp27mu-manylinux1_x86_64.whl
sudo pip install torchvision
验证：以下脚本能够打印出一个带有随机初始浮点数的张量。
from__future__importprint_function
importtorch
x=torch.Tensor(5,3)
print(x)
Reference: http://pytorch.org/
仅供参考!