在Linux服务器上配置tensorflow-gpu版（最详细教程）
由于基于tensorflow的神经网络在CPU上运行速度太慢，在GPU上运行速度会快很多，但是在linux系统上tensorflow-GPU运行配置比较麻烦，有很多坑需要踩，网上的很多教程和自己使用的环境不匹配，所以针对这个情况自己做一个总结，总结一下tensorflow-gpu版本在linux服务器上的配置过程，及其中遇到的问题，给大家提供参考和交流。
环境：linux+Anaconda3+python3.5+CUDA9.0+cudnn7.0
安装流程：
一. Anaconda下载及安装
二. 建立tensorflow gpu版本环境（包括配置清华镜像）
三. CUDA下载及安装
四. cudnn下载及配置
五. pycharm下载及安装
一. Anaconda下载及安装
官网地址：https://www.anaconda.com/distribution/#download-section
清华镜像：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
下载linux系统的Python3.7 version。
输入命令bash bash Anaconda3-2019.03-Linux-x86_64.sh安装Anaconda。
显示
在标红框处输入yes和安装目标路径，
继续选择yes，
等待安装完成。安装完成后，输入conda --version如果显示版本信息则安装成功。
如果如下图所示无法显示
输入source ~/.bashrc，
Anaconda安装完成。
二. 建立tensorflow gpu版本环境
建立tensorflow环境，基于python3.5。
输入conda create -n （环境名称） python=3.5（python必须3.5或3.6，3.6以上版本tensorflow可能会报错），
然后输入y，
等待完成。
conda env remove -n （环境名称） （删除环境）
conda env list （查看所有环境）
输入source activate tensorflow35（我的环境名称为tensorflow35），进入创建的tensorflow环境。
在安装之前配置清华镜像，下载速度会很快；如果不想配置清华镜像，则忽略下面这部分，唯一的区别就是下载速度比较慢。
在~/.config/.pip目录下新建（或修改）pip.conf文件（可以先在windos下新建一个txt文档，然后修改文件名和后缀名；再新建一个.pip文件夹，将文件放入）
然后在文件中输入如下信息：
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple/几个常用的国内源，大家可以自己选择，替换文件中的网址就可以：
阿里云 http://mirrors.aliyun.com/pypi/simple/
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
豆瓣(douban) http://pypi.douban.com/simple/
清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/
中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/
继续安装tensorflow，先安装tensorflow-cpu版，输入pip install tensorflow，
（不需要安装cpu版之后再安装gpu版，如果想直接安装tensorflow-gpu版，输入pip install tensorflow-gpu==1.10）
（tensorflow1.11及以上版本会因cudnn7.0报错，下面安装cudnn时具体说）
等待安装完成，输入pip list可以查看当前环境下的安装包。
输入python回车，输入import tensorflow，如果没有报错说明tensorflow-cpu版配置成功。
至此，tensorflow-cpu版配置成功，接下来继续配置tensorflow-gpu版。
三. CUDA下载及安装
CUDA和cudnn版本需要配对，CUDA也需要根据自己系统的配置
首先确认安装环境：
1.确认linux内核版本
输入cat /etc/redhat-release，查看linux内核。
2.确认gpu
输入 lspci | grep -i nvidia，查看gpu版本，
gpu要求算力3.0以上，大家可以对照型号，在下面链接检查自己的电脑是否支持
https://developer.nvidia.com/cuda-gpus
3.确认是否安装gcc
输入gcc --version。
4.确认nouveau已禁用
输入lsmod | grep nouveau，如果没有输出则说明已禁用。
正确安装NVIDIA驱动就会禁止。
确认过程如下图所示：
接下来安装NVIDIA驱动：
首先去官网 http://www.nvidia.com/Download/index.aspx?lang=en-us 查看适合自己显卡的驱动并下载：驱动文件后缀名应当是以.run结尾的。
输入以下命令下载并安装nvidia驱动：
输入nvidia-smi，有如下显示则说明驱动安装成功：
然后确认CUDA与cudnn配对版本，并下载适合自己系统的版本
https://blog.csdn.net/omodao1/article/details/83241074
推荐下载CUDA9.0和cudnn7.0.
下载CUDA：https://developer.nvidia.com/cuda-90-download-archive?target_os=Linux
等待下载完成。
输入sh cuda_9.0.176_384.81_linux-run进行安装，
按如下输入：
安装驱动时一定要选 “n”。
如果安装时出现空间不足的情况：
则在安装前输入三行：
如果还不行，把安装文件改成.run，再执行上述操作:
等待安装完成。安装结束后输入（地址是自己的安装地址）：
export PATH="/mnt/jackfrost//CUDA/cuda-9.0/bin:$PATH"
export LD_LIBRARY_PATH="/mnt/jackfrost/CUDA/cuda-9.0/lib64:$LD_LIBRARY_PATH"
export CUDA_HOME=/mnt/jackfrost/CUDA/cuda9.0
source ~/.bashrc
然后输入nvcc -V，如果显示CUDA版本信息代表正常。
测试sample例子：
#编译并测试设备 deviceQuery：
cd ~/cuda-9.0/samples/1_Utilities/deviceQuery
./deviceQuery
#编译并测试带宽 bandwidthTest：
cd ../bandwidthTest
./bandwidthTest如果这两个测试的最后结果都是Result = PASS，说明CUDA安装成功。
四. cudnn下载及配置
下载地址：https://developer.nvidia.com/rdp/cudnn-archive （需要注册才能下载)
输入tar -zxvf cudnn-9.0-linux-x64-v7.tgz解压，
然后将库(.lib)和头文件(.h)copy到cuda目录（一定是你自己安装的目录如/mnt/jackfrost/CUDA/cuda-9.0）
cp /mnt/jackfrost/cudnn/cuda/include/cudnn.h /mnt/jackfrost/CUDA/cuda-9.0/include
cp /mnt/jackfrost/cudnn/cuda/lib64/libcudnn* /mnt/jackfrost/CUDA/cuda-9.0/lib64然后修改文件访问权限：
chmod a+r /mnt/jackfrost/CUDA/cuda-9.0/include/cudnn.h /mnt/jackfrost/CUDA/cuda-9.0/lib64/libcudnn*到这里tensorflow配置完成。
测试tensorflow，输入source activate tensorflow35，
如代码所示：
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
如果出现如下错误：
[cudnn报错解决]Loaded runtime CuDNN library：7.0.5 but source was complied with：7.2.1
五. pycharm下载及安装
pycharm下载：https://www.jetbrains.com/pycharm/download/
输入tar -zxvf pycharm-community-2018.3.5.tar.gz解压:
然后在bin文件夹下输入./pycharm启动pycharm，
配置运行环境Files->Settings->Project Interpreter->add：
add添加环境，如下图所示，选到自己建立的tensorflow环境：
pycharm+Anaconda+tensorflow配置完成。