[教程] 最快速、最简单搭建深度学习环境：Ubuntu+显卡驱动+Cuda+Cudnn+TensorFlow

前言

尽管之前有写安装环境的教程，不过今日发现其中一些步骤还有简化的空间，写此文以记之，愿能给入坑深度学习的新人节省一些时间。
教程将安装以下软件，请读者按需阅读：

• Ubuntu 18.04 LTS
• Anaconda
• Cuda Toolkit 10.1
• Cudnn 7.6
• Python 3.7.3
• Nvidia 显卡驱动 430
• PyCharm CE 2019.02

Ubuntu

前往 Ubuntu 官网下载系统安装包，现推荐 Ubuntu 18.04.3 LTS 稳定版本。
然后使用 U 盘制作启动盘，如果您不熟悉如何制作启动盘，可以参考以下几个教程：

1. 在 Windows 上制作 USB 启动盘
2. 在 macOS 上制作 USB 启动盘
3. 在 Ubuntu 上制作 USB 启动盘

下载的文件类似于ubuntu-18.04.3-desktop-amd64.iso，大小约 1.9 GB。
制作完成后，把 U 盘插入到您将要安装的电脑上，然后从 U 盘启动电脑（一般来说，在电脑开机的时候，按住F12）。

具体安装流程可以参考官方教程。

Anaconda

接下来安装 Anaconda，进入官网，在下方选择 Linux，选择 Python 3.7 版本进行下载：

下载的文件类似于Anaconda3-2019.07-Linux-x86_64.sh，大小约为 542 MB。
接下来安装 Anaconda，您可以参考详细的官方教程，或者进入安装包目录，输入以下命令：

# 注意替换为您下载的实际文件名
bash Anaconda3-*.sh

之后一路回车或yes，安装完成后，重新打开 Terminal，输入

anaconda-navigator

打开 Anaconda Navigator 之后，选择左侧的 Environments 选项卡，在右栏中，把下拉框切换为All，在搜索框中搜索cud，不出意外的话搜索结果为cudatoolkit、cudnn、cupy。右键点击名字前面的方框，选择Mark for specific version installation，对于cudatoolkit，选择10.1.243，对于cudnn，选择7.6.0：

然后点击右下角的Apply，进行安装。

PyCharm

进入官网，选择 PyCharm for Anaconda Community Edition 进行下载：

文件名类似于pycharm-community-anaconda-2019.2.2.tar.gz，大小约为 435 MB。、
下载完成后，进入下载目录，输入以下指令：

# 注意替换自己实际的文件名
sudo tar xfz pycharm-*.tar.gz -C /opt/

然后进入安装目录，打开 PyCharm：

# 注意替换自己实际的安装目录
cd /opt/pycharm-*/bin

sh pycharm.sh

如果您想在桌面创建 PyCharm 图表，在 PyCharm 主页点击 Tools > Create Desktop Entry... 即可。

Nvidia 显卡驱动

sudo apt-get install --no-install-recommends nvidia-driver

安装完成后，重启系统。

在终端中输入以下指令查看是否安装成功：nvidia-smi

TensorFlow

接下来安装 TensorFlow 2.2.0 作为示例，读者亦可安装其他学习库，例如 PyTorch 等。

pip install tensorflow-gpu==2.2.0

如果下载速度过慢，可以使用临时清华的镜像：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.2.0

下载的过程中，我们可以在 PyCharm 中导入 Anaconda 所创建的虚拟环境。具体不再赘述。

测试

在终端中进入 Python 环境：

(base) xovee@xovee:~$ python
Python 3.7.3 (default, Mar 27 2019, 22:11:17)
[GCC 7.3.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>>

输入：

import tensorflow as tf

print("GPU Available: ", tf.test.is_gpu_available())

如果输出的最后一行为 GPU Available: True：

2019-09-23 15:19:01.479144: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
2019-09-23 15:19:01.513322: I tensorflow/core/platform/profile_utils/cpu_utils.cc:94] CPU Frequency: 2394785000 Hz
2019-09-23 15:19:01.516071: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x5579e6f69df0 executing computations on platform Host. Devices:
2019-09-23 15:19:01.516139: I tensorflow/compiler/xla/service/service.cc:175]   StreamExecutor device (0): Host, Default Version
2019-09-23 15:19:01.520674: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcuda.so.1
2019-09-23 15:19:02.011779: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x5579e6fe08a0 executing computations on platform CUDA. Devices:
2019-09-23 15:19:02.011828: I tensorflow/compiler/xla/service/service.cc:175]   StreamExecutor device (0): GeForce GTX 1080 Ti, Compute Capability 6.1
2019-09-23 15:19:02.011840: I tensorflow/compiler/xla/service/service.cc:175]   StreamExecutor device (1): GeForce GTX 1080 Ti, Compute Capability 6.1
2019-09-23 15:19:02.016452: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1618] Found device 0 with properties: 
name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.6575
pciBusID: 0000:03:00.0
2019-09-23 15:19:02.017960: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1618] Found device 1 with properties: 
name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.683
pciBusID: 0000:05:00.0
2019-09-23 15:19:02.060333: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudart.so.10.0
2019-09-23 15:19:02.678910: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcublas.so.10.0
2019-09-23 15:19:02.927700: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcufft.so.10.0
2019-09-23 15:19:03.016661: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcurand.so.10.0
2019-09-23 15:19:03.784929: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcusolver.so.10.0
2019-09-23 15:19:04.099612: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcusparse.so.10.0
2019-09-23 15:19:05.120265: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudnn.so.7
2019-09-23 15:19:05.123062: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1746] Adding visible gpu devices: 0, 1
2019-09-23 15:19:05.123148: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudart.so.10.0
2019-09-23 15:19:05.147053: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1159] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-09-23 15:19:05.147099: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1165]      0 1 
2019-09-23 15:19:05.147108: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1178] 0:   N Y 
2019-09-23 15:19:05.147113: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1178] 1:   Y N 
2019-09-23 15:19:05.149566: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1304] Created TensorFlow device (/device:GPU:0 with 9749 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:03:00.0, compute capability: 6.1)
2019-09-23 15:19:05.151028: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1304] Created TensorFlow device (/device:GPU:1 with 10479 MB memory) -> physical GPU (device: 1, name: GeForce GTX 1080 Ti, pci bus id: 0000:05:00.0, compute capability: 6.1)
GPU Available:  True

就意味着，环境搭好啦！！！接下来您可以下载 Chrome、设置中文输入法等，开始深度学习之旅～

如果您有什么问题，可以在评论区或者通过邮件 [email protected] 与我交流。: )