深度学习环境配置：华硕主板的Win 10 + UEFI + GP

作者: 2e07917c964c | 来源:发表于2018-03-13 21:45 被阅读794次

本文写文章日期为2018.03.13
因为买电脑自带了win10系统，自己就没有重新安装win10，而是在原win10环境下分割一个磁盘来安装ubuntu16.04，本人电脑GPU为Gtx 1080Ti显卡，要注意的是显示器连接线是直接与Gtx 1080Ti显卡连接，而不是连接主板上的接口！电脑配置见下图。我的硬盘是双硬盘一个256G的SSD固态硬盘，一个2T的HDD机械硬盘，现在win10是安装在SSD上，我准备把ubuntu也安装在SSD上。

以前用的电脑都是BIOS+MBR，以前装的双系统基本都Win7和ubuntu16.04，而这次是在win10下且是在UEFI + GPT条件下安装ubuntu16.04，所以在动手之前google了很多最新教程，避免了很多坑，感谢那些善良的人！

一、安装前准备

1.安装EasyUEFI

通常使用BIOS+MBR构架的双系统需要使用EasyBCD软件来添加启动项，使用UEFI需要EasyUEFI。在win10下先安装EasyUEFI以便于以后在win10下管理启动项以及删除ubuntu系统。

2.制作Ubuntu 16.04LTS启动盘

下载Ubuntu 16.04LTS于Ubuntu 16.04LTS中国官网或者Ubuntu 16.04LTS官网
我是用ubuntu官方推荐的Rufus来制作启动盘，其方法见How to create a bootable USB stick on Windows，使用该工具的时候，有三种模式可选，到底是用那种模式取决于电脑的配置，可以百度一下电脑主板是不是UEFI以及硬盘分区是MBR还是GPT：如何查看电脑硬盘是gpt分区还是MBR分区 + 如何查看主板是UEFI启动以及是否支持UEFI模式，确实不清楚的就选第一项。有资料说直接解压到空的U盘也能行。总之很多方式都能做成系统启动盘。
但是也有用UltraISO软碟通来制作的，但是我制作后安装的时候失败了，然后改用Rufus，文件系统用的是Ntfs，安装时还是失败了。这两种失败情况都是ACPI error，后来我发现是U盘太旧了的原因，虽然这个u盘也有16G，于是我用另一个较新的16G的u盘用Rufus制作启动盘，文件系统用的默认的FAT32，分区方案和目标系统类型选择自己对应的即可，见下图。

3.禁用UEFI安全启动、关闭快速启动

禁用UEFI安全启动的方法见配置深度学习主机与环境(TensorFlow+1080Ti):(二) Win10&Ubuntu双系统与显卡驱动安装。
关闭快速启动的方法关闭win10的快速启动，如果Win10电源管理中没有快速启动选项，那么请按照Win10电源管理中没有快速启动选项中的的方法进行设置即可，因为我就是这种情况。

4.为Ubuntu系统分配硬盘空间

如果需要，用DiskGenius或者分区助手对各个硬盘大小进行调整
“鼠标右键计算机—>管理—->磁盘管理—->选中盘符右键—->压缩卷 ”
压缩出最少60G(空间太小，等会分区的时候很难分配，而且会运行慢)的空间出来，不要分配盘符，直接让其处于空闲或未分配状态即可。这个未分配的空间就是我们将来的ubuntu系统的安装使用空间。我压缩了130g固态硬盘空间用于安装ubuntu。

二、安装ubuntu 16.04

安装方法主要见配置深度学习主机与环境(TensorFlow+1080Ti):(二) Win10&Ubuntu双系统与显卡驱动安装，还可参考 Win10下UEFI环境安装Ubuntu 16.04双系统教程
我的分区情况为：

swap交换空间：8G
efi系统分区：512M
挂载“/” ：30G
挂载“/usr” ：35G
挂载“/home”：51G

因为我参考了下面：

1.swap交换空间，相当于Win中的虚拟内存，通常需要划分对应物理内存2倍的空间，考虑到深度学习主机内存一般都是32G、64G或者128G，所以选择忽略不划分，之后如有需要还可以在系统设置中添加swap部分。实际上我划分了8G。
2.EFI系统分区，选择分区类型为“逻辑分区”，分区位置为“空间起始位置”。分配大小为512M，足矣。
3.挂载“/”,类型为EXT4日志文件系统，选择“逻辑分区”和“空间起始位置”。根目录将挂载除了“/home”和“/usr”之外的其他目录，分配30G。
4.挂载“/usr”,类型为EXT4日志文件系统，选择“逻辑分区”和“空间起始位置”。“/usr”为Linux存放软件的地方，分配40G。
5.挂载“/home”，类型为EXT4日志文件系统，选择“逻辑分区”和“空间起始位置”。剩余50G左右空间全部分配给“/home”。

如果安装ubuntu时出现ACPI error，可参考win10安装ubuntu-GNOME双系统踩坑综合

三、安装显卡驱动

因为此时我的ubuntu还不能连网，所以没办法到用系统自带的软件更新里去安装，所以只能自己在win10里下载好驱动，再在ubuntu里安装。
安装方法见Ubuntu 16.04 安装GTX1080Ti驱动、Ubuntu 16.04安装NVIDIA驱动

四、台式机ubuntu无线上网问题

想在台式机ubuntu16.04和win10上都用一个无线网卡来上网，发现很多网卡都不能在ubuntu中上网，即使可以也只能需要复杂的安装网卡驱动步骤，但是我也发现了在ubuntu系统中免驱可以即插即用且在windows中也可以免驱连网的两种网卡分别是：

RT5572无线网卡，2.4GHz和5GHz双频，传输速率为300Mbps，因为速率比较快，所以我用的是这个网卡。
RT3070(L)白或者 RT3070(L)黑或者RT3070(L)-Hi-Link，频段只为2.4GHz，传输速率为150Mbps

五、卸载 Ubuntu

方法见Win10+Ubuntu16.04双系统(UEFI+GPT, SDD+HDD)解决方案

六、安装CUDA 9.1 和Cudnn 7.1.1

在安装完CUDA 9.1 和Cudnn 7.1.1之后发现，tensorflow最新版本 1.7.0不支持CUDA 9.1 和Cudnn 7.1.1，而是支持CUDA 9.0 和Cudnn 7.0，见tensorflow官网安装说明：Installing TensorFlow 或 Installing TensorFlow on Ubuntu，否则会出现如下错误：

(tensordai) mengzhuo@ubuntu:~$ python
Python 3.6.2 |Continuum Analytics, Inc.| (default, Jul 20 2017, 13:51:32)
[GCC 4.4.7 20120313 (Red Hat 4.4.7-1)] on linux
Type "help", "copyright", "credits" or "license" for more information.
输入命令：import tensorflow as tf
出现错误：ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory

因此，大家还是安装CUDA 9.0 和Cudnn 7.0吧，安装方法跟下面的方法一样。
CUDA 9.0下载地址为：CUDA Toolkit 9.0，所以大家可直接跳过前3步，直接看第4步安装CUDA 9.0和CUDNN 7.0.5的方法

1.安装CUDA 9.1

参考教程：Ubuntu 16.04 上安装 CUDA 9.0 详细教程、ubuntu16.04安装cuda9——简明教程
官方教程膜拜上：官方教程
下载CUDA Toolkit 9.1 Download
安装的主要方法见：Ubuntu16.04安装CUDA9.1、cuDNN7详细教程，基本同官方教程一样，我和这个教程有一点不一样就是在设置环境变量时，因为我也安装的是CUDA 9.1，所以在终端中输入

sudo gedit /etc/profile

在打开的文件末尾，添加以下两行。
64位系统：

export PATH=/usr/local/cuda-9.1/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-9.1/lib64:$LD_LIBRARY_PATH

这里的文件目录是cuda-9.1不是cuda-9.0。

2.安装Cudnn 7.1

Cudnn 7.1的安装是按照Ubuntu16.04安装CUDA9.1、cuDNN7详细教程中以tgz文件的形式安装的。这个教程也是按照cudnn7.1.1安装官方教程来的。下载cudnn需要注册，我是在cuDNN Download中下载的，下载的是cuDNN v7.1.1 Library for Linux，见下图。
总结起来实际上以tgz文件的形式安装cuDNN只需要4条命令就能安装成功，在cuDNN7的tgz安装文件所在的文件夹内：右键--->在终端中打开--->然后在终端内输入以下4命令即可：

tar -xzvf cudnn-9.1-linux-x64-v7.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

因为是以tgz文件的形式安装的cudnn所以没办法按照官方教程中一样来验证cudnn是否安装成功，不过我到各个文件目录看了下，确认应该是安装成功了。

3.卸载 CUDNN 7.1.1 和CUDA 9.1，

3.1 卸载CUDA 9.1的方法见：

以runfiles形式安装CUDA9.1的官方卸载方法:

sudo /usr/local/cuda-9.1/bin/uninstall_cuda_9.1.pl

ubuntu16.04 下卸载CUDA9.1

3.2 卸载CUDNN 7.1.1 的方法:

因为安装CUDNN，实际上只是把几文件复制到CUDA的安装目录下，所以卸载CUDNN只需要把CUDA的安装目录"/usr/local/cuda-9.1"一起删除就可以了：

cd /usr/local/
sudo rm -r cuda-9.1

如果曾经验证过CUDA就会在/home/用户名下产生文件夹“NVIDIA_CUDA-9.1_Samples”，可以把它一起删除：

cd /home/mengzhuo
sudo rm -r NVIDIA_CUDA-9.1_Samples

注意：我用官方卸载方法卸载CUDA 9.1后再用下面的"4.4.1 方法一"安装CUDA 9.0后发现：
系统分辨率变成没装驱动一样，并且在ubuntu登录界面出现循环登录，导致不能以图形方式进入ubuntu。
我猜测的原因：卸载CUDA 9.1时估计连带着驱动的一些包被卸载了。
我解决的办法是：在登录界面按Alt+Ctrl+F1进入字符界面，然后卸载我刚才安装的CUDA 9.0，在没有卸载驱动的情况下用驱动的.run安装包，再按照上面讲的安装驱动方法重新安装修复了驱动。然后分辨率变正常，循环登录现象消失。最后我进入ubuntu系统后用了

4.安装CUDA 9.0

CUDA 9.0下载地址为：CUDA Toolkit 9.0

参考教程：Ubuntu 16.04 上安装 CUDA 9.0 详细教程、ubuntu16.04安装cuda9——简明教程
官方教程膜拜上：安装CUDA9.0官方教程

安装方法同上面安装CUDA 9.1一样，其主要方法见：Ubuntu16.04安装CUDA9.1、cuDNN7详细教程，基本同官方教程一样，具体方法如下：

4.1 检查自己的计算机是否具备CUDA安装条件

检查方法见：Ubuntu16.04安装CUDA9.1、cuDNN7详细教程

4.2 安装NVIIDA驱动。

CUDA提供两种安装方式：package manager安装和runfile安装。因为CUDA安装文件将近1.6G，所以这里我选择runfile安装，采用runfile安装，CUDA自带的驱动可能无法定位内核信息，所以要先安装NVIIDA驱动。我前面已经安装了驱动，所以这步已经免了。

4.3 下载CUDA 9.0的runfile安装文件

下载地址：CUDA Toolkit 9.0

4.4 开始安装CUDA 9.0

4.4.1 方法一：网上大部分的方法都是这种，太复杂，所以可直接看4.4.2的方法二

重启系统，在登录界面时按Ctrl+Alt+F1进入字符终端界面，登录成功后，关闭图形化界面

sudo service lightdm stop

以cd命令进入CUDA 9.0的.run安装文件所在文件夹内，比如我的是：

cd /home/mengzhuo/ # mengzhuo是我的系统用户名

找到下载文件的路径，键入下面的命令安装：

sudo sh cuda_9.0.176_384.81_linux.run

单击回车，直到提示“是否为NVIDIA安装驱动？” 一定要选择否，因为已经安装好驱动程序，其他都是默认。

最后，你会看到cuda驱动、sample、tookit已经安装成功,但是缺少一些库。

添加这些库：

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

重新启动图形化界面:

sudo service lightdm start

同时按住Alt + ctrl +F7，返回到图形化登录界面，输入密码登录。如果能够成功登录，则表示不会遇到循环登录的问题，基本说明CUDA的安装成功了 .重启电脑，检查Device Node Verification:

ls /dev/nvidia*

若结果显示:

/dev/nvidia0 /dev/nvidiactl /dev/nvidia-uvm

或显示出类似的信息，应该有三个（包含一个类似/dev/nvidia-nvm的），则安装成功。如果显示其他情况，则按照Ubuntu16.04安装CUDA9.1、cuDNN7详细教程中方法进行设置。

终端中输入

sudo gedit /etc/profile

在打开的文件末尾，添加以下两行：
64位系统：

export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH

32位系统：

export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib:$LD_LIBRARY_PATH

保存文件，并重启。因为source /etc/profile是临时生效，重启电脑才是永久生效。重启电脑，检查上述的环境变量是否设置成功。

4.4.2 方法二：

因为我们在安装cuda时并不需要安装驱动，所以不用按Ctrl+Alt+F1进入字符终端，也不用关闭图化界面。同时，在方法一中，在验证是否安装成功时，make也太复杂了，需要花20+分钟，其实只需要make一个文件就可以，这样只需要几秒就可验证是否安装正确。具体方法如下：

先安装安装cuda所需的依赖库：

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

输入以下命令：

cd /home/mengzhuo/ # mengzhuo是我的系统用户名,该文件夹下存在CUDA9.0的.run安装文件
sudo sh cuda_9.0.176_384.81_linux.run

单击回车，直到提示“是否为NVIDIA安装驱动？” 一定要选择no，因为已经安装好驱动程序，其他都是选择yes。

添加环境变量：

sudo gedit /etc/profile

在打开的文件末尾，添加以下两行：
64位系统：

export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH

保存文件，并重启。因为source /etc/profile是临时生效，重启电脑才是永久生效。重启电脑，检查上述的环境变量是否设置成功。

4.5 验证CUDA 9.0是否安装成功

4.5.1 方法一：网上大部分的方法都是这种，太复杂太花时间，所以可直接看4.5.2的方法二

验证CUDA Toolkit:

nvcc -V

最后，我们需要尝试编译cuda提供的例子，看cuda能否正常运行,打开终端输入:

cd /home/user_name/NVIDIA_CUDA-9.1_Samples
make

系统就会自动进入到编译过程，整个过程大概需要十几到二十分钟，请耐心等待。如果出现错误的话，系统会立即报错停止。如果编译成功，最后会显示Finished building CUDA samples，如下图所示。
运行编译生成的二进制文件。编译后的二进制文件默认存放在NVIDIA_CUDA-9.1_Samples/bin中。接着在终端中输入：

cd bin/x86_64/linux/release
./deviceQuery

结果如下图所示：看到类似如下图片中的显示，则代表CUDA安装且配置成功，其中 Result = PASS代表成功,若失败 Result = FAIL .
最后再检查一下系统和CUDA-Capable device的连接情况
终端输入：

./bandwidthTest

看到类似如下图片中的显示，则代表成功

4.5.2方法二：

验证CUDA Toolkit:

nvcc -V

我们需要尝试编译cuda提供的例子，看cuda能否正常运行，这里我们不用像方法一一样make所有samples，而只需make一个sample就可以了，这样可以使时间从20多分钟减少到几秒钟，打开终端输入:

cd /home/mengzhuo/NVIDIA_CUDA-9.0_Samples/1_Utilities # 进入NVIDIA_CUDA-9.0_Samples中 deviceQuery所在文件夹,mengzhuo是我自己的username
make
cd /home/mengzhuo/NVIDIA_CUDA-9.0_Samples/bin/x86_64/linux/release
./deviceQuery

结果如下图所示：看到类似如下图片中的显示，则代表CUDA安装且配置成功，其中 Result = PASS代表成功,若失败 Result = FAIL 。

5.安装CUDNN 7.0.5

Cudnn 7.0.5的安装是按照Ubuntu16.04安装CUDA9.1、cuDNN7详细教程中以tgz文件的形式安装的。这个教程也是按照cudnn7.0.5安装官方教程来的。下载cudnn需要注册，我是在cuDNN Download中下载的，下载的是cuDNN v7.0.5 Library for Linux
，见下图。

实际上cuDNN的安装只是将其安装包解压缩之后，把里面的文件复制到对应的地方即可。故总结起来实际上以tgz文件的形式安装cuDNN只需要4条命令就能安装成功，在cuDNN7的tgz安装文件所在的文件夹内：右键--->在终端中打开--->然后在终端内输入以下4命令即可：

tar -xzvf cudnn-9.0-linux-x64-v7.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

注意：上面的第三条命令官方方法是：sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ ，但是我在lib64文件夹下并没有看到名为libcudnn的文件夹，所以应该还是用我上面的第三条命令。

为防止破坏软链接，还有必要再输入以下4条命令，反正我按照上面的官方安装方法后测试时是提示我软链接被破坏了：

cd /usr/local/cuda-9.0/lib64
sudo ln -s libcudnn.so.7.0.5 libcudnn.so.7
sudo ln -s libcudnn.so.7 libcudnn.so
sudo ldconfig -v #改了lib、lib64、 ld.so.conf都要重新运行一下ldconfig，不然系统找不到动态链接库

因为是以tgz文件的形式安装的cudnn所以没办法按照官方教程中一样来验证cudnn是否安装成功，不过我到各个文件目录看了下，确认应该是安装成功了。

七、安装Anaconda 3.5.1及其中自带的python 3.6

虽然我的ubuntu 16系统自带的python是2.7.12,但是Anaconda不仅能够进行包管理，还能进行环境管理，所以用它来进行创建虚拟环境并管理。去Anaconda的官方下载地址或清华anaconda镜像下载对应python版本的Anaconda安装文件。我这里下载的是python3.6的版本：本次使用的是Anaconda3-5.1.0-Linux-x86_64.sh。

主要安装方法见Ubuntu 16.04 安装Anaconda3。另外，也参考了Ubuntu 安装 Anaconda3 详细步骤。

八、安装pycharm

方法见Ubuntu 16.04 安装 PyCharm
如果在应用程序中找不到pycharm启动项，可用如下方法：
打开Pycharm--->Tools--->Creat Desktop Entry...--->Ok

完全不必用这种方法：在ubuntu16.4中为pycharm创建桌面快捷启动方式。这种方法不仅复杂，而且我用这种方法后发现程序图标并没有被加载，所以图标变发了一个问号图片。

九、利用pycharm创建虚拟环境，并在虚拟环境内安装tensorflow、keras等深度学习框架

如果不想利用pycharm创建虚拟环境，并在虚拟环境内安装tensorflow、keras等深度学习框架，而是非要自己在终端手机输入命令来进行，那么可直接跳过本节看下一节"十、在Anaconda创建的虚拟环境内安装tensorflow"，本节和下一节方法是等效的，只是本节方法更简单、更直观而已。

打开pycharm--->Files--->New Project--->Pure python

1.png
在New environment using中可选择“Conda”或"Virtualenv"来创建虚拟环境，在Location中把“untitled”改成自定义的虚拟环境名字，Python version中可自己选择想要的版本，这里我选择的是用"Virtualenv"来创建虚拟环境，因为我用“Conda”来创建虚拟环境后发现安装包速率很慢，尽管我在pycharm中已经更换了国内的pip源。
Files--->Settings--->Project Interpreter

可以点击上图中右上角的齿轮图标，来更换项目解释器。
点击右上角“+”，可以看到“Availabe Packages”，并可以搜索安装想要的包。如果前是选择“Conda”来创建虚拟环境，这里就是一片空白，什么都没有。
更换国内pip源：点击上图中的“Manage Repositories”，然后输入源地址，如下图所示。

十、在Anaconda创建的虚拟环境内安装tensorflow

本节和上一节方法是等效的，只是上一节方法更简单、更直观，如果你已经按照"九、利用pycharm创建虚拟环境，并在虚拟环境内安装tensorflow、keras等深度学习框架"中的方法进行，可跳过本节。

Ubuntu16.04+Anaconda安装+换源+环境创建+tensorflow安装（3）
Ubuntu16.04下安装tensorflow（Anaconda3+pycharm+tensorflow+CPU）
Ubuntu16.04安装anaconda3+tensorflow
Ubuntu下使用pycharm add TensorFlow
解决每次使用conda创建的虚拟环境都需要激活的问题：如何在Ubuntu下安装Anaconda及搭建环境安装TensorFlow深度学习框架
在虚拟环境中安装tensoflow时不要用conda命令安装，因为我看到conda安装包里面的tensorflow gpu版本已经是4个月前了，不是最新的，所以还是用pip3命令安装吧。

1.利用conda创建虚拟环境

conda create -n tensordai python=3.6

tensordai是虚拟环境的名字。

2.在虚拟环境内安装tensorflow

2.1 方法一：见Ubuntu16.04安装anaconda3+tensorflow

注意：这种方法我没成功，原因是网络老是断掉，所以我更换了国内的pip源，再进行了方法二来安装tensorflow 1.7.0. 所以大家还是直接看方法二吧。

下面是方法1的内容：

根据tensorflow的github官方网站可知python 3的安装命令如下：

GPU版：pip install tf-nightly-gpu
CPU版：pip install tf-nightly

或者可以先下载好对应版本的安装文件：

Linux CPU-only: Python 2 (build history) / Python 3.4 (build history) / Python 3.5 (build history) / Python 3.6 (build history)
Linux GPU: Python 2 (build history) / Python 3.4 (build history) / Python 3.5 (build history) / Python 3.6 (build history)

我点击python3.6版本 Python 3.6 (build history)
中的“build history”，然后下载这个文件“tf_nightly_gpu-1.7.0.dev20180222-cp36-cp36m-manylinux1_x86_64.whl”,然后必须把它重命名为“tensorflow-1.7.0-py3-none-linux_x86_64.whl”，否则会出现错误“tf_nightly_gpu-1.7.0.dev20180222-cp36-cp36m-linux_x86_64.whl is not a supported wheel on this platform.”
再利用下面的命令进行安装：

source activate tensordai #激活虚拟环境
cd ~/Download #我是将下载好的东西放在了Download文件夹里
pip3 install --ignore-installed --upgrade tensorflow-1.7.0-py3-none-linux_x86_64.whl

或者

pip install tf-nightly-gpu

参考：如何在 Ubuntu 16.04 上安装并使用 TensorFlow、ubuntu16.04安装TensorFlow的正确步骤

2.2 方法二：

更换pip源，换为国内镜像，方法见：更换pip源到国内镜像、pip换源（更换软件镜像源）
http://pypi.douban.com是豆瓣提供一个镜像源，软件够新，连接速度也很好。所以我选择豆瓣为我的镜像源。
更换源命令为：

cd ~
mkdir .pip
sudo gedit ~/.pip/pip.conf

然后直接编辑文件pip.conf的内容为：

[global]
index-url = http://pypi.douban.com/simple/
[install]
trusted-host = pypi.douban.com

这样就更换pip源成功了。

运行命令：

pip install tf-nightly-gpu

3.测试是否安装成功

进入python环境：

$ python # 进入python环境

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
sess.run(hello)

a = tf.constant(10)
b = tf.constant(32)
sess.run(a + b)
sess.close()

卸载tensorflow

pip uninstall tf-nightly-gpu

本文链接：https://www.jianshu.com/p/a9d458544ca1

参考文献：

win10安装ubuntu-GNOME双系统踩坑综合

感谢：

我的好兄弟张洞明童鞋对本文的热心帮助与耐心指导！