配置深度学习主机与环境（TensorFlow+1080Ti）：
（一）硬件选购与主机组装
（二）Win10&Ubuntu双系统与显卡驱动安装
（三）CUDA与CUDNN安装
（四）基于Anaconda的TensorFlow安装
一. 硬件选购
研究需求，遂组装一台全新的计算机，安装Ubuntu，用来运行TensorFlow，同时保留Win10，方便其他其他场合使用。因为硬件更新换代很快，各种网络结构也层出不穷。因此，考虑使用多显卡来提升系统的计算能力是有必要的。现阶段，主要购买单块显卡实现整个系统的搭建，同时保留拓展（多显卡）空间。
硬件清单如下：
以上配置总共花费24173.1元人民币，购买时间主要在6月底7月初，没能赶上京东618的活动，顺便不幸的碰到了显卡缺货，所以价格上仅供参考。
1. 主板
因为考虑到系统有可能拓展四块显卡，因此主板首先需要支持4-Way NVIDA SLI功能，通常单块显卡占用16条PCIE通道，四块显卡则需要16*4=64条PCIE通路，而常见的i7处理器中的高端型号最高只有40条PCIE通道，因此理论上的处理方法是需要使用两块CPU实现双通道处理。京东上就有使用双路E5配合4路1080Ti所搭建的深度学习主机。
在不考虑双路CPU的情况下，要想实现16*4PCIE通路，目前只有Asus X99-E WS/USB 3.1唯一一块主板可以实现PCIE通路的拓展。
上图是主板说明书中的一页，显示主板共有7条PCIE接口。使用四块显卡，分别放置于1、3、5、7号PCIE接口，可以实现4*16条PCIE通道。具体实现我并不是特别清楚，但是在我的深度学习工作站攒机过程记录中，作者也同样询问过这个问题：
2. 中央处理器 CPU
为适配主板型号，CPU为LGA2011-v3系列，同时支持最高40条PCIE通道。因为系统主要使用显卡进行计算，因此对CPU的要求并不是很高。Tim Dettmers在其Blog：A Full Hardware Guide to Deep Learning中提到CPU的核心数并不重要，拥有相对较高的主频即可。
CPU:Two threads per GPU; full 40 PCIe lanes and correct PCIe spec (same as your motherboard); > 2GHz; cache does not matter;
最后决定在i7-5930K和i7-6850K中二选一，价格差距不大，遂选择主频较高的i7-6850K。
注意：i7-6850K是不带核显的，装机前期显卡还没到，特地借了一张点亮卡用来检测装机情况。
各型号处理器具体参数可以在Intel官方网站查询与对比。
3. 显卡 GPU
并非所有的显卡都支持CUDA，实际上仅有部分Nvidia高端显卡才支持，具体支持列表可前往Nvidia查询。
目前10系显卡横空出世，基本上深度学习主机主要可选为：Titan Xp、1080Ti、Titan、1060与Tesla系列，深度学习模型对参数精度要求并不高，因此除非土豪，可以排出Tesla系列显卡。在金钱允许但非土豪的情况下，1080Ti是目前最佳的选择。在显卡的选购过程中，肯定会遇到公版与非公版的选择问题。虽然非公版的散热较好，且自带超频，但考虑到系统的稳定性与兼容性，建议还是选择公版显卡。另外非公版显卡还可能会遇到显卡太厚主板放不下的问题。
在显卡的购买过程中正好遇到了显卡慌，京东上所有自营的商家全部缺货，剩下的部分显卡都在6500~7000RMB左右。不得已选择上淘宝代购，结果大部分代购商家都拿不到货，难怪大家都盼望着矿难。另外海淘显卡推荐选择EVGA，在台湾有维修点，方便保修。
以下图表和建议，来自于Which GPU(s) to Get for Deep Learning: My Experience and Advice for Using GPUs in Deep Learning：
Best GPU overall (by a small margin): Titan Xp
Cost efficient but expensive: GTX 1080 Ti, GTX 1070, GTX 1080
Cost efficient and cheap: GTX 1060 (6GB)I work with data sets > 250GB: GTX Titan X (Maxwell), NVIDIA Titan X Pascal, or NVIDIA Titan Xp
I have little money: GTX 1060 (6GB)
I have almost no money: GTX 1050 Ti (4GB)
I do Kaggle: GTX 1060 (6GB) for any “normal” competition, or GTX 1080 Ti for “deep learning competitions”
I am a competitive computer vision researcher: NVIDIA Titan Xp; do not upgrade from existing Titan X (Pascal or Maxwell)
I am a researcher: GTX 1080 Ti. In some cases, like natural language processing, a GTX 1070 or GTX 1080 might also be a solid choice — check the memory requirements of your current modelsI want to build a GPU cluster:This is really complicated, you can get some ideashereI started deep learning and I am serious about it: Start with a GTX 1060 (6GB). Depending of what area you choose next (startup, Kaggle, research, applied deep learning) sell your GTX 1060 and buy something more appropriate
I want to try deep learning, but I am not serious about it: GTX 1050 Ti (4 or 2GB)
4. 机箱
选择Tim Dettmers与NVIDIA® DIGITS™ DevBox同款机箱，被大多数深度学习用户所采用。
5. 电源
建议不要在电源上省钱，主机可能24小时运行，稳定性最重要。1600w对付4块1080Ti足以。另外：Nvidia DevBox 用的是 EVGA 1600W 80+ Gold 120-G2-1600-X1，比我买的钛金便宜点。
6. 散热
在风冷和水冷的选择上纠结了很久，总担心水冷过保之后会漏水，最终还是选择了风冷。直接选择京东上猫头鹰最贵的一款（NOCTUA NH-D15 CPU散热器），后期使用情况看，散热不错，噪音也不大。
如果选择水冷的话建议将冷排安装在AIR540机箱的顶端，这样可以避免顶端进灰。
7. 内存
i7-6850K默认主频2400MHz，开启XMP之后，自动超频为3200MHz。因此建议购买DDR4 3200MHz内存条。
XMP是Extreme Memory Profile的缩写，是Intel在2007年9月提出的内存认证标准，适用于DDR3和DDR4。
为了统一行业内的超频数值标准，而不让各个内存厂商随意设定更高的内存频率数值写入到SPD，英特尔提出了XMP认证标准。通过XMP认证的内存会在内存地址176 ~ 254中记录内存的速度设定，最多可以保存2组设定值。厂商们如需要得到XMP的认证，就必须把内存及该设定送交Intel测试，通过后就会给予认证。
通过XMP认证后，其SPD中除了预设普通频率数值的SPD值外，还写入了更高频率设定的SPD。这个更高频率的设定配合支持XMP的主板后可以被启用，从而将内存超频提升性能。
简单的说，通过了英特尔XMP认证的内存，SPD中有两个或更多频率设定档案，只要在主板中启用这些预设的XMP档案，即可将内存条自动超频到3200或更高值（根据档案设定而定）。
XMP与手动超频效果基本无异，所以可将其看作为内存的自动超频技术。
8. 显示器
显示器就是生产力。
9. 鼠键
建议购买无线鼠键，可以离机箱远远的。
注意：在系统点亮之后可能无法识别无线鼠键，建议在点亮阶段使用有线鼠键。
10. 存储
若训练集庞大，建议购买较大的SSD，HDD可用来仓储。假如需要安装双系统，建议SSD 512G，HDD可以用来当作Win10和Ubuntu的公共挂载盘。
二. 主机组装
计算机组装应该是整个搭建过程中最简单的部分了，虽然我之前从来没有组装过电脑。
第一步将CPU（注意方向）、RAM、SSD（M.2 Nvme）安装到主板上，将主板附送的主机后置面板安装到机箱上。
第二步将将散热安装到CPU上，放到机箱中，确定散热器风道方向与散热器的位置，以免放不下。
第三步涂硅脂，重新将确定好位置的风扇安装到CPU上。
第四部将主板固定到机箱上，注意机箱上的铜柱不多也不少，避免主板下面有空余的铜柱而导致主板短路。
第五步将GPU和其他pcie接口设备安装到主板与机箱上，安装磁盘阵列到机箱内，安装电源模块。
第六步接线。
关于组装电脑的相关资料如下：
1. 知乎：如何配组装电脑？
2. 知乎：关于组装电脑的一些常识
3. 【极客湾】萌妹子带你装电脑（萌新向）
三. 参考资料：
1. 知乎：如何配置一台适用于深度学习的工作站？
2. 我的深度学习工作站攒机过程记录
3. 我爱自然语言处理：深度学习主机攒机小记
4. 深度 | 从硬件配置到软件安装，一台深度学习机器的配备指南
5. 小白在闭关：搭建一台用于深度学习的工作站
6. Tim Dettmers：Which GPU(s) to Get for Deep Learning: My Experience and Advice for Using GPUs in Deep Learning
7. Tim Dettmers：A Full Hardware Guide to Deep Learning
8. Build Personal Deep Learning Rig: GTX 1080 + Ubuntu 16.04 + CUDA 8.0RC + CuDnn 7 + Tensorflow/Mxnet/Caffe/Darknet