Ubuntu + CUDA 9.0 + cudnn v7 + tensorflow-gpu 1.10.1配置（无sudo权限的情况）

前言

最近利用实验室的计算服务器上的GPU进行神经网络模型的训练，但是由于是公共资源，自己没有sudo权限，不能直接通过pip install的方式安装自己想要的包，经过查阅资料发现可以通过在自己的用户根目录下创建一个tensorflow的虚拟环境，在该环境下进行包的安装以及tensorflow的使用等，记录在这里以便以后的查阅。

这里使用CUDA 9.0 + cudnn v7进行环境的配置，这两种资源的安装方式请查阅其他的blog，现在网络上关于CUDA和cudnn安装方式的资源已经十分丰富，所以这里也就不再重复。（其实是因为我们实验室的服务器上已经事先装好了CUDA和cudnn，如果是公共服务器找管理员装一下就好了）值得一提的是对CUDA环境的配置方法，在bash中自己用户的根目录下依次输入以下命令：

export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
source ~/.bashrc

执行以上命令之后CUDA环境应该就配置好了，如果不行的话可以输入vim ~/.bashrc，然后手动在该文件末尾加入上面代码行的前两行（去掉开头的export），保存文件后再输入source ~/.bashrc命令完成环境的配置。

Anaconda的安装

本人使用的是Anaconda 3.0进行虚拟环境的配置，首先到Anaconda官网，在https://repo.anaconda.com/archive/下根据自己的系统以及需要的python版本选择合适的包，这里使用的是Anaconda3-4.2.0-Linux-x86_64.sh。将包下载到本地后上传到服务器，然后在bash下移动到包所在的目录，输入：

bash ./Anaconda3-4.2.0-Linux-x86_64.sh

跟随指引完成Anaconda的安装。

虚拟环境的创建和tensorflow-gpu的安装

首先输入以下命令创建tensorflow的虚拟环境：

conda create -n tensorflow python=3.5

这里python版本为3.5的原因是上面安装的conda包默认python版本为3.5，当然如果安装的conda包版本不同可以根据实际情况修改上述python的版本。

等待片刻即可完成虚拟环境的创建，进入虚拟环境需要用到以下命令：

source activate tensorflow

进入tensorflow虚拟环境后输入以下命令安装tensorflow-gpu：

pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.10.1

等待片刻tensorflow-gpu便能成功安装到虚拟环境中，以后想使用tensorflow的时候可以先通过前面的命令进入tensorflow虚拟环境然后进行使用，以下是执行上述操作之后对tensorflow是否成功安装的验证：

user@server:~$ source activate tensorflow
(tensorflow) tangruijie@GPUServer3:~$ python
Python 3.5.4 |Continuum Analytics, Inc.| (default, Aug 14 2017, 13:26:58) 
[GCC 4.4.7 20120313 (Red Hat 4.4.7-1)] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow
>>> 

如果没有报错，说明tensorflow-gpu已经成功安装。