Ubuntu18.04下Anaconda虚拟环境创建和tensorflow_gpu安装

1 虚拟环境创建

conda create -n tensorflow python=3.6

如下图

2 激活环境

source activate tensorflow #激活
source deactivate #退出

如下图

3 TensorFlow GPU版本安装

Step1.环境确认

想要使用GPU版的TesnorFlow来加速我们的神经网络运算，首先要确保，我们的GPU依赖环境已经搭好。

在终端输入命令：cat /usr/local/cuda/version.txt （查看cuda版本)
在终端输入命令： cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2（查看cudnn版本）

可以看到这里cuda版本是9.1.85，而cudnn的版本是7.0.5.（如果没有安装cuda和cudnn,到官网根自己的GPU型号版本安装即可）cuda和cudnn是使用GPU必装的依赖环境，当然在安装TensorFlow的GPU版本时，也必不可少。

Step2. tensorflow-gpu安装

pip install tensorflow-gpu

安装完成后，进入python，导包。

import tensorflow

可以看到出现“ImportError:libculbas.so.9.0:cannot open shared object file:No such file or directory"，这是因为我们安装的tensorflow版本与cuda版本不匹配导致的。
我们安装的tensorflow版本为1.12.0，其软件环境要求如下：

我们已经查看过本机cuda版本是9.1.85，而cudnn的版本是7.0.5。
因此，需要重新安装cuda和cudnn。版本如下：

CUDA 9.0
cuDNN >= 7.2

NVIDIA官网下载cuda9.0版本 cuda_9.0.176_384.81_linux.run 和cudnn最新版 cudnn-9.0-linux-x64-v7.4.2.24.tgz。

1.安装CUDA9.0

sudo sh cuda_9.0.176_384.81_linux.run --override

如果有安装了显卡驱动的，注意在提问是否安装显卡驱动时选择no，其他选择默认路径或yes即可。

2.配置环境

将以下两条加入.barshrc文件中.

sudo gedit ~/.bashrc
export PATH=/usr/local/cuda-9.0/binKaTeX parse error: Expected '}', got 'EOF' at end of input: {PATH:+:PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64KaTeX parse error: Expected '}', got 'EOF' at end of input: …LIBRARY_PATH:+:{LD_LIBRARY_PATH}}

执行使环境变量生效 :

source /etc/profile

3.安装cuDNN7.4.2.24

解压下载的cudnn-9.0-linux-x64-v7.4.2.24.tgz得到如下文件：

cuda/include/cudnn.h
cuda/NVIDIA_SLA_cuDNN_Support.txt
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.7
cuda/lib64/libcudnn.so.7.4.2
cuda/lib64/libcudnn_static.a

复制到CUDA安装文件夹里面：

sudo cp Downloads/cudnn-9.0-linux-x64-v7.1/cuda/include/cudnn.h /usr/local/cuda/include #下载目录每个电脑不一样
sudo cp Downloads/cudnn-9.0-linux-x64-v7.1/cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

4.测试CUDA完整性

完成后，可以到～/NVIDIA_CUDA-9.0_Samples/文件夹下测试CUDA功能完整性。这里参照CUDA Getting Start测试即可。一般都会在结果输出Test pass 字段。

1. 终端输入:

    cd /usr/local/cuda/samples/1_Utilities/deviceQuery #由自己电脑目录决定
    sudo make
    sudo ./deviceQuery

Result = PASS 测试通过。

或者在python中执行以下命令查看：

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

可以看到GPU信息。