最近折腾了一个deepin系统，尝试配置了一下pytorch和tf对应的gpu版本，走了不少弯路。其实整个流程不出错误的话非常简单，这里简单做一下备忘。

显卡驱动配置

目前新版本的deepin系统都自带一个显卡驱动管理器，被这个东西坑哭了。使用这个安装的闭源驱动和英伟达官方的驱动是有区别的，虽然都可以nvidia-smi命令查看驱动状态，但是如果安装了这个驱动，后面的步骤无法识别的。

1 下载官方驱动

去英伟达官网，根据型号，下载对应的驱动。长寿命和短寿命不太清楚，个人下了短寿命版本。

这一步是看大部分人都有提到的，但是我个人没碰到这个情况。
先查看是否已经禁用

lsmod | grep nouveau

如果屏幕没输出，说明已经禁用。不然的话执行以下操作：

sudo vim /etc/modprobe.d/blacklist.conf

文本最后添加

blacklist nouveau
options nouveau modeset=0

执行

sudo update-initramfs -u

重启之后再次查看，如果没有输出，说明成功。如果还是有问题，建议移步其他地方查看解决方案。

如果没有装驱动，可以直接跳过这个步骤。

如果用deb安装了驱动，系统的那个显卡驱动管理就是属于此范畴。

sudo apt-get remove --purge nvidia*

zsh可能会找不到对应命令，要切回到bash

sudo apt-get remove nvidia-driver nvidia-kernel-dkms glx-alternative-nvidia

或

sudo nvidia-uninstall
sudo nvidia-installer --uninstall

首先进入控制台界面(ALT+CTRL+F4)。
关闭图形界面

sudo service lightdm stop

进入下载的驱动文件路径

# 添加权限
sudo chmod a+x NVIDIA-Linux-x86_64-430.26.run
# 安装
sudo sh ./NVIDIA-Linux-x86_64-430.26.run

安装成功后打开图形界面

sudo service lightdm start

可能要重启才能看到效果。
查看驱动信息

nvidia-smi

理论上最新的驱动，显示的版本型号应该都是400+，cuda10.0+。

对于个人开发者而已，这里已经到了最后一步了。
目前网上大部分的流程是安装cuda和cudnn这两个。但是如果是个人开发使用，完全不必。
用conda创建对应环境。这一步不会的网上教程一大堆。

# 安装pytorch
conda install pytorch-gpu
# 安装tf
conda install tensorflow-gpu

结束。

这两种方式会直接安装最新的，但如果cuda版本不支持的话，需要去官网查看一下，安装对应的cuda版本。

如果不用conda的话，个人认为直接 pip install xxx-gpu理论上也可以。
按部就班安装的话后面也太多坑。
deepin的gcc是6.0，安装cuda9.0的话不需要降级。
剩下的基本就是下载对应版本的内容，安装就可以。