ubuntu18.04 安装GPU版本tensorflow

---

一 前言

  大二下学期的时候，小编接触了机器学习，当时在windows下从最初的cpu版本的 tensorflow 到 anaconda、cuda、cudnn的安装，也算是从简到繁，有所进步。现在笔记本安装ubuntu系统之后却一直没有配置机器学习的环境，近日闲来无事，就想要拣一拣 (好吧，其实和重新学习没什么区别 )，加油，事情总要一步一步来。
  GPU版本tensorflow的安装，其实主要分为以下几个部分：

1. 安装nvidia显卡驱动
2. anaconda安装，同时掌握conda常用命令
3. gcc，g++的降级
4. 安装适合版本的tensorflow-gpu
5. 不对，小编，最重要的你没说！cuda和cudnn的安装，版本和显卡之间的搭配问题，真是好多坑。其实小编也是后来才知道的——直接在anaconda创建的虚拟环境中，下载相应版本的tensorflow-gpu之后会自动的安装cuda和cudnn，所以没有必要自己安装 (就算想下载，官网下载cuda和cudnn的网速也是醉了)

  接下来，咱们直接进入主题！！！

二 安装nvidia显卡驱动

   在网上，小编找到了很多安装显卡驱动的方法，但是为了保险起见，还是选择了最稳妥的图形界面安装，链接如下：
   Ubuntu系统安装英伟达显卡驱动教程（详细图文）
   安装显卡驱动之后，若要验证是否安装成功，打开终端输入：sudo lshw -c video

   上面是小编安装后的输出，在第11行输出 configuration: driver=nvidia 这表示nvidia显卡驱动安装完毕

三 安装anaconda3

   ananconda的安装很重要，在anaconda创建的虚拟环境下，直接下载 tensorflow-gpu 会自动安装cuda和cudnn。这就不需要我们手动下载并且纠结cuda和cudnn的版本问题 （最好还是手动安装，这样自己更加了解），关于安装anaconda的具体操作，小编就不赘述了，直接分享一篇好的链接。
  Ubuntu18.04 安装 Anaconda3
   anaconda安装好了之后，关于创建并激活环境等一些基本命令，大家可以上网搜索，小编这里多嘴一句，可以使用conda安装的第三方包，尽量使用conda，不要使用pip。

四 gcc和g++的降级

   ubuntu18.04自带的gcc和g++的版本的是 7.5 (小编电脑如此)，这对于cuda9.0来说是不允许的，所以小编将等级下降到了6，对应命令如下：

sudo apt install gcc-6
sudo apt install g++-6

# 删除原来建立的软链接
sudo rm gcc 
# 创建新的软链接
sudo ln -s gcc-6 gcc
sudo rm g++
sudo ln -s g++-6 g++

# 通过以下命令查看现在的版本是否正确
gcc --version
g++ --version

五 安装cuda和cudnn (使用anaconda自动安装可以忽略)

   安装cuda和cudnn最大的困难就是和自身显卡的匹配问题以及下载网速令人崩溃，需要了解自己电脑显卡与之对应的cuda和cudnn。小编是回到了windows10查看的显卡信息。
显卡信息如下：

笔记本中存在集显和独显两块显卡，我们选取cuda时大部分查看的是独立显卡

  我们需要的数据是第一行：驱动程序版本： 430.86，记住这个数据，我们根据这个数字挑选对应的cuda版本。这里分享一篇链接：
  CUDA、显卡驱动和Tensorflow版本之间的对应关系 （小编选择tensorflow-gpu=1.11.0）
  从刚才这篇链接我们可以看到，大部分选择的cuda和cudnn之间的版本选择是：cuda9，cudnn7。
  小编使用anaconda自动安装的cuda和cudnn也是这个版本，这说明手动安装选择的版本是正确的。
  此外，cuda和cudnn之间没有一一对应的关系，关于这一点，我们需要知道cuda和cudnn到底指的是什么？

1. 什么是CUDA？
   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。

2. 什么是CUDNN?
   NVIDIA cuDNN是用于深度神经网络的GPU加速库（只是一个包）。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如加州大学伯克利分校的流行caffe软件。简单的，插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是调整性能，同时还可以在GPU上实现高性能现代并行计算。

所以在cuda的基础上，再安装cudann会使得gpu关于神经网络的计算速度更快。

六 验证阶段

  下载完毕后，激活环境，创建py文件，粘贴以下代码，运行成功即可。

"""
测试GPU的计算能力，测试tensorflow-GPU版是否安装正确
"""
 
import tensorflow as tf
import numpy as np
import time
 
value = np.random.randn(5000, 1000)
a = tf.constant(value)
 
b = a * a
 
c =0
tic = time.time()
with tf.Session() as sess:
        for i in range(1000):
            sess.run(b)

            c+=1
            if c%100 == 0:
 
                d = c / 10
                # print(d)
                print("计算进行%s%%" % d)
 
toc = time.time()
t_cost = toc - tic
 
print("测试所用时间%s"%t_cost)

# 小编代码输出如下：
计算进行10.0%
计算进行20.0%
计算进行30.0%
计算进行40.0%
计算进行50.0%
计算进行60.0%
计算进行70.0%
计算进行80.0%
计算进行90.0%
计算进行100.0%
测试所用时间7.980262279510498
# 计算进行10.0% 前面还有一乱七八糟的输出，就不展示了

  安装tensorflow-gpu的步骤，这只是小编的一家之言，虽然小编安装成功，但是也许还存在各种的坑，毕竟大家的电脑和小编的电脑配置不同。所以大家还是要广泛的搜索信息，对于同一个问题，多看几篇博客，特别是浏览量很大的博客，不要抱怨自己安装了整整一天还是没有成功，毕竟大家都是这样过来的，加油！！！