配置cuda8.0/cudnn6.0/ubunut16.04/tensorflow 环境
最后配置环境好了，还是有掉驱动的情况发生，表现为登陆的时分辨变低，图像变卡（我认为问题出在系统切换上，具体不明），这时，直接再把驱动装一遍就好，就可以继续使用
linux下截图的办法还没有找到，找到了，再对一些细节进行贴图
2018/6/6更新，截图办法已经找到使用gnome-screenshot -a
配置cuda8.0/cudnn6.0/ubunut16.04/tensorflow 环境(cdunn6.0需要对应tensorflow版本大于等于1.3)
#1.安装ubuntu（具体安装步骤等哪次重装再补）
1.首先不要勾选第3方的文件，然后进去 安装方式 选something else，接下来分区，只要有分出这4个分区就好
例如有1个t：
/home （放文件的） 逻辑分区 Ext4 700G
/ （放系统的） 主分区 Ext4 267G
/boot （启动，包括引导项）主分区 Ext4 1G
swap （交换空间，有说法大小设置为内存的2倍）逻辑分区 32G
下拉菜单选择启动引导装到哪里？一般就选默认的就行了，例如图片中默认为固态硬盘
问要不要格式化，点contiune
语言选默认的English（US）,不然home目录下的路径在文本模式下你会看不懂，全是小星星
这里请设置个密码，不然没法logout，或者在登陆界面切纯文本模式
安装时如果太慢，大于半个小时，那么应该是在网上下东西，拔掉网线就会行
#2.完成ubuntu安装后，换apt-get的源
右上点击电源–>system settings–> software & update–> Download from下拉菜单选other–>找到China,选一个源，choose Server，然后一路保存，最后下东西的时候看下地址测试。
#3.更新ubuntu
sudo apt-get update
sudo apt-get upgrade
原因：有的时候gcc版本，或者什么核，不更新报错
#4.安装cuda（对于先装cuda还是先装驱动，顺序不影响）
##cuda预安装及检测，出自，参考简书https://www.jianshu.com/p/35c7fde85968
.run安装失败的…
执行
sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl
sudo /usr/bin/nvidia-uninstall
若仍安装有问题，请敲下
sudo apt-get autoremove --purge nvidia-* #把nvidia驱动清个干干净净
sudo reboot看情况重启
下面的步骤，基本不报错，就是正常的,与具体机器版本无关
1.1 Verify you have a CUDA-Capable GPU
lspci | grep -i nvidia
机器显示：
01:00.0 3D controller: NVIDIA Corporation GF117M [GeForce 610M/710M/810M/820M / GT 620M/625M/630M/720M] (rev a1)
1.2 Verify you have a Supported Version of Linux
uname -m && cat /etc/*release
机器显示：
x86_64
DISTRIB_ID=Ubuntu
DISTRIB_RELEASE=14.04
...
1.3 Verify the System Has GCC Installed
gcc --version
结果显示：
gcc (Ubuntu 4.8.4-2ubuntu1~14.04.3) 4.8.4
...
1.4 Verify the System has the Correct Kernel Headers and Development Packages Installed
uname -r
结果显示
4.4.0-45-generic
安装对应的kernels header和开发包：
sudo apt-get install linux-headers-$(uname -r)
2.1 Disabling Nouveau 禁用系统本身的驱动，先查看
lsmod | grep nouveau
如果有内容输出，则需禁掉nouveau
sudo gedit /etc/modprobe.d/blacklist-nouveau.conf
添加如下内容：
blacklist nouveau
options nouveau modeset=0
执行
sudo update-initramfs –u
再执行,查看有没有禁用好… 这里一般还是有的，但是一般重启后就没有了，重启进了黑框的时候测试下就好
lsmod | grep nouveau
问题1：循环登录
原因：驱动装重了，有2个驱动会引起循环登录
解决：确保驱动只存在一个（包括：最开始禁用nouveau，安装cuda自带的驱动的时候选no）
问题2：如果出现循环登录后，只删除对应的驱动仍不能解决（对于新装的ubuntu，这个问题基本不会出现）
（可能会存在）原因：删驱动会有不明的影响对cuda，删cuda有不明的影响对驱动，导致反复删和装并不能解决循环登录的问题
解决：节约时间，cuda和驱动全部删掉，确保删的干干净净，重装_
安装cuda8.0
重启（不重启直接logout，我试过肯定不行），进入输入密码（所以请设密码）的界面，ctrl+alt+F1进入纯文本模式
安装前需要禁用显示sudo service lightdm stop
sudo sh xxx.run --no-opengl-libs
这里的当前驱动版本--no-opengl-libs是网上说的一个操作，不是用libs就是files，可以试试，如果不同版本的驱动不一样，改一下再试
-** 安装过程中首先长按空格，阅读文本**
-accept
-no 询问是否安装cuda自带驱动，选no
-yes 询问是否安装cuda
-回车使用默认路径/usr/local/cuda
-yes 询问是否安装cuda的symbolic
-yes 询问是否安装cuda的simples
-回车simple使用默认路径
3项中的下面两项installed就说明安装完成
#5.安装NVIDIA驱动
安装前需要禁用显示sudo service lightdm stop
sudo sh xxx.run安装驱动
具体步骤：(这里以安装NVIDIA驱动ver.390为例)
基本为，有yes选yes
#6.cuda 和NVIDIA安装完后，sudo service lightdm start,进入登录界面
。。。。。。下面是见证奇迹的时刻，如果没有循环登录，就成功了
#7.测试cuda安装好没有，最后pass就是成功了
##cuda测试，参考简书https://www.jianshu.com/p/35c7fde85968
2.3 Device Node Verification
执行
ls /dev/nvidia*
a) 若结果显示有3个类似的东西，就是成功了
/dev/nvidia0 /dev/nvidiactl /dev/nvidia-uvm
3.1）添加环境变量
①编辑bashrc文件
sudo gedit ~/.bashrc
在文件末尾加入以下两行：
export PATH=“ P A T H : / u s r / l o c a l / c u d a − 8.0 / b i n " e x p o r t L D L I B R A R Y P A T H = " PATH:/usr/local/cuda-8.0/bin" export LD_LIBRARY_PATH=" PATH:/usr/local/cuda−8.0/bin"exportLDLIBRARYPATH="LD_LIBRARY_PATH:/usr/local/cuda-8.0/lib64”
②更新配置
source ~/.bashrc
3.2.1 Verify the Driver Version
cat /proc/driver/nvidia/version
结果显示
NVRM version: NVIDIA UNIX x86_64 Kernel Module 361.77 Sun Jul 17 21:18:18 PDT 2016
GCC version: gcc version 4.8.4 (Ubuntu 4.8.4-2ubuntu1~14.04.3)
3.2.2 Verify CUDA Toolkit
nvcc -V
结果显示
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2016 NVIDIA Corporation
Built on Wed_May__4_21:01:56_CDT_2016
Cuda compilation tools, release 8.0, V8.0.26
cd 进NVIDIA_CUDA-8.0_Samples目录
执行
make
这区间大概需要十几到二十分钟，请耐心等待
完成后，cd进bin目录里面的里面的里面，知道看到一堆可执行文件（菱形的图标），大概是 ~/NVIDIA_CUDA-8.0_Samples/bin/x86_64/linux/release
运行其中的一个例子
$ ./deviceQuery
结果显示，pass,j就是cuda装好了
./deviceQuery Starting...
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "GeForce GT 720M"
CUDA Driver Version / Runtime Version 8.0 / 8.0
CUDA Capability Major/Minor version number: 2.1
Total amount of global memory: 1985 MBytes (2081226752 bytes)
( 2) Multiprocessors, ( 48) CUDA Cores/MP: 96 CUDA Cores
GPU Max Clock rate: 1250 MHz (1.25 GHz)
Memory Clock rate: 800 Mhz
Memory Bus Width: 64-bit
L2 Cache Size: 131072 bytes
Maximum Texture Dimension Size (x,y,z) 1D=(65536), 2D=(65536, 65535), 3D=(2048, 2048, 2048)
Maximum Layered 1D Texture Size, (num) layers 1D=(16384), 2048 layers
Maximum Layered 2D Texture Size, (num) layers 2D=(16384, 16384), 2048 layers
Total amount of constant memory: 65536 bytes
Total amount of shared memory per block: 49152 bytes
Total number of registers available per block: 32768
Warp size: 32
Maximum number of threads per multiprocessor: 1536
Maximum number of threads per block: 1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size (x,y,z): (65535, 65535, 65535)
Maximum memory pitch: 2147483647 bytes
Texture alignment: 512 bytes
Concurrent copy and kernel execution: Yes with 1 copy engine(s)
Run time limit on kernels: No
Integrated GPU sharing Host Memory: No
Support host page-locked memory mapping: Yes
Alignment requirement for Surfaces: Yes
Device has ECC support: Disabled
Device supports Unified Addressing (UVA): Yes
Device PCI Domain ID / Bus ID / location ID: 0 / 1 / 0
Compute Mode:
< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 8.0, CUDA Runtime Version = 8.0, NumDevs = 1, Device0 = GeForce GT 720M
Result = PASS
#8.安装cudnn6.0
解压包，可能会需要改后缀，改成tgz格式解压
这里的解压路径很重要，因为下面的创建软连接会用到（软连接类似于快捷方式，对原文件的改动，位置调整，会影响到链接的内容）
软连接：
sudo gedit ~/.bashrc
#在最下面加入
#下面的/your/path/to/cudnn/lib64就是解压到lib64的地址
export LD_LIBRARY_PATH=/your/path/to/cudnn/lib64:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64"
export CUDA_HOME=/usr/local/cuda
#保存后退出，在终端激活
source ~/.bashrc
复制include文件夹中的cudnn.h（请打开终端，位置处于include的目录下）
sudo cp *.h /usr/local/cuda/include/
给cudnn.h权限
sudo chmod a+r /usr/local/cuda/include/cudnn.h
#9.安装anaconda
sudo sh anacondaXXXXXX.sh
#10.完成anaconda安装，anaconda换源
conda config --add channels 'https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/'
conda config --set show_channel_urls yes
#好了，这次可以开心的下载东西了
# 如何删除添加的源呢？
# conda config --remove channels 'https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/'
# 看看当前的 cofig 是什么样的
conda config --show
#11.创建anaconda 环境
#这里的创建环境的时候，可以同时给这个环境装上不同版本的python
conda create -n 文件名 python=2.7
#12.pip 换源，下面的换源方式，会使所有的虚拟环境中的pip都换源
cd ~
mkdir .pip
cd .pip
sudo gedit pip.conf
#在里面添加
[global]
index-url=https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host=pypi.tuna.tsinghua.edu.cn
disable-pip-version-check = true
timeout = 6000
#13.安装tensorflow-gpu
pip install tensorflow-gpu==1.4.0
#如果版本有问题，需要卸载，使用
pip uninstall tensorflow-gpu
#14.检测tensorflow是否装好
#首先在进入环境
source activate 环境名
#如果不对，要退出，输入
source deactivate
#测试方法一：输入python，进入python环境，同时可以显示对应的python版本
python
#在python 环境下调用tensorflow测试
>>import tensorflow
#测试方法二：创建一个python的.py文件，添加以下代码，在环境中运行python test.py
# Creates a graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))
#15.安装pycharm
直接安装就好
sudo sh pycharmXXXXXXX.run
安装完成后进入，bin目录，直接sh命令用打开（注意，打开的时候环境会有影响，在直接sh,sudo sh 和虚拟环境中打开有不同的环境）
sh pycharmXXXXXXX.sh
pycharm的使用conda环境配置的基本操作需要贴图