tensorflow前前后后装过几十次，每次装cuda&cuDNN都很麻烦，决定整理一下踩过的坑和安装流程，记录可能会遇到的问题在这里备忘，过程会尽量写得完整详细。

如果无法解决问题，建议查阅结尾参考资料中的官方文档链接，毕竟大部分情况下官方文档才是最完整的。

记录两种安装方法，第一种是使用runfile，第二种用deb文件安装。

环境：
主板——Z370XP SLI
显卡——2 * 微星红龙1070ti
ssd——建兴(LITEON) 睿速系列 T10 240G
系统环境——Ubuntu16.04 64位、Windows10 64位专业版本，双系统
电源——美商海盗船（USCorsair）额定1000W

当时折腾ubuntu的引导程序也花了不少时间，不过如何分盘装双系统这里还是不具体介绍了，网上一堆教程。

前置准备工作：

首先在官网查阅，自己的电脑是否支持。

查阅：Pre-installation Actions先确定下面四个没有问题。

Verify You Have a CUDA-Capable GPU]
Verify You Have a Supported Version of Linux
Verify the System Has gcc Installed
Verify the System has the Correct Kernel Headers and Development Packages Installed

开始做预备工作：

安装cuda的依赖包。

这里是cuda-sample的依赖包，不装sample可以只装上面的

1. deb安装：

1.1 CUDA安装

这种方法比较简单，推荐这种方法。

下载cuda9.0(https://developer.nvidia.com/nvidia-developer-zone)

下好以后在终端输入（版本格式参考官方文档）
sudo apt-get autoremove --purge nvidia-*或者
sudo apt-get purge nvidia* 或者 sh ./nvidia.run --uninstall
来卸载原有驱动。（可以用nvcc -V 查看是否成功卸载。）

卸载完后开始安装：

1. sudo dpkg -i cuda-repo-ubuntu1604-9-0-local_9.0.176-1_amd64.deb

2. sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub   #添加key

3. sudo apt update

4. sudo apt -y install cuda

5. 添加环境变量

配置环境变量，运行如下命令打开profile文件

在profile结尾加入：

export CUDA_HOME=/usr/local/cuda-9.0

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}}

然后source /etc/profile立即生效。

在终端输入 ： nvcc -V

看到相应的nvcc编译器信息，那么CUDA配置成功。
那么重新启动：sudo reboot
5*. 注意：重启以后可能会有 循环登陆 的问题，我之前就卡在这边挺久，碰到这种情况最简单的方法当然是使用第二种方法runfile文件安装，然后安装的时候选择不安装OpenGL。
但是实际上还有一种方法可以解决，这种情况发生很可能是主板的安全启动secure boot引起的，先把它关掉(http://www.icharm.me/%E6%8A%80%E5%98%89gigabyte-b350m-gaming-3-%E5%85%B3%E9%97%AD-secure-boot.html)，如果没有解决那么应该是显卡的问题。WIN10的电脑如果存在独显，那么cpu的核显驱动是不会下载的，我们需要两块显卡就得手动设置，设置以后WIN10就能识别核显并且能安装驱动了，此时ubuntu也一样，我们需要下载ubuntu对应的cpu的核显，很多七代八代的cpu核显ubuntu16.04并不支持，那么我需要对linux内核降级比较麻烦，比较好的方法是用官网提供的自动安装脚本来安装驱动程序包，ubuntu 16.04 lts的解决方法在此网址：（https://software.intel.com/en-us/forums/opencl/topic/738108）

6. 性能测试：

其实主要是看看cuda是否正确安装，

# 切换到cuda-samples所在目录

cd /usr/local/cuda/samples

# 没有make，先安装命令 sudo apt-get install cmake，-j是最大限度的使用cpu编译，加快编译的速度

sudo make –j8

# 编译完毕，切换release目录（/usr/local/cuda/samples/bin/x86_64/linux/release完整目录）

cd ./bin/x86_64/linux/release

# 检验是否成功，运行实例

./deviceQuery

# 最后能看到Result = PASS就算成功了。

1.2 cuDNN 安装

cuDNN是GPU加速计算深层神经网络的库。首先去官网(https://developer.nvidia.com/rdp/cudnn-download)下载cuDNN，需要注册一个账号才能下载，以前需要几天的审核时间，现在基本是秒批。

选择对应版本下载。

安装cudnn比较简单，简单地说，就是复制几个文件：库文件和头文件。将cudnn的头文件复制到cuda安装路径的include路径下，将cudnn的库文件复制到cuda安装路径的lib64路径下。具体操作如下:

  #解压文件
cp cudnn-9.0-linux-x64-v7.solitairetheme8 cudnn-9.0-linux-x64-v7.tgz
tar -xvf cudnn-9.0-linux-x64-v7.tgz


  #切换到刚刚解压出来的文件夹路径

 cd cuda  

 #复制include里的头文件（记得转到include文件里执行下面命令）

sudo cp include/cudnn.h /usr/local/cuda/include/   

#复制lib64下的lib文件到cuda安装路径下的lib64（记得转到lib64文件里执行下面命令）

sudo cp lib64/*  /usr/local/cuda/lib64/

 #设置权限

 sudo chmod a+r /usr/local/cuda/include/cudnn.h

 sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

 #======更新软连接======

cd /usr/local/cuda/lib64/

sudo rm -rf libcudnn.so libcudnn.so.7   #删除原有动态文件，版本号注意变化，可在cudnn的lib64文件夹中查看

sudo ln -s libcudnn.so.7.0.5 libcudnn.so.7  #生成软衔接（注意这里要和自己下载的cudnn版本对应，可以在/usr/local/cuda/lib64下查看自己libcudnn的版本）

 sudo ln -s libcudnn.so.7 libcudnn.so #生成软链接

 sudo ldconfig -v #立刻生效

终端输入：nvcc -V
查看是否正常

2. runfile安装

2.1 runfile安装的前置准备工作

首先去官网（http://www.nvidia.cn/Download/index.aspx?lang=cn）查找适配自己电脑GPU的驱动，我的电脑驱动版本如下：

2.2 CUDA的安装

(1)卸载原有驱动 sudo apt-get autoremove --purge nvidia-*或者
sudo apt-get purge nvidia* 或者 sh ./nvidia.run --uninstall
(2)禁用nouveau驱动
编辑文件blacklist.conf
sudo gedit /etc/modprobe.d/blacklist.conf
在文件最后部分插入以下两行内容

blacklist nouveau
options nouveau modeset=0

更新系统sudo update-initramfs -u
重启系统sudo reboot
终端中运行： lsmod | grep nouveau 确定已经禁用了 nouveau，输入以后没反应即成功
(3)安装驱动：
sudo add-apt-repository ppa:graphics-drivers/ppa //添加驱动源
sudo apt update
sudo apt-get install nvidia-390
sudo apt-get install mesa-common-dev //本句及下一句命令有的电脑需要，有的电脑不需要，根据实际情况输入命令
sudo apt-get install freeglut3-dev
执行完上述命令后若无问题，重启，若有问题，转到第二种方法。
sudo reboot
重启后输入：
sudo nvidia-smi
如果显示GPU列表，则证明驱动安装成功了，另外也可以通过如下命令：
nvidia-settings
查看GPU信息，显示界面如下：
出现这个是正常的

(4)下载cuda9.0 (https://developer.nvidia.com/nvidia-developer-zone)

(5)Ctrl + Alt + F1(或init 3等于直接执行（5）和（6）)
(6)输入了sudo service lightdm stop
(7)sudo sh cuda_9.0.176_384.81_linux.run
(8)单击回车或者 q，输入accept,一路选yes往下运行，直到提示“是否为NVIDIA安装驱动nvidia-384？”，选择否，因为已经安装好驱动程序了，其他的全都是默认，(如果是安装tensorflow的话，cuda sample 可以不装，一是装了也经常会有问题，二是我们只通过tensorflow来调用CUDA,不直接写CUDA代码，也不是必须要安装)不过要记住安装位置，默认是安装在/usr/local/cuda文件夹下。

(8*)如果之前没有手动安装驱动，而下载的cuda版本里自带的驱动刚好支持现在的显卡
那么可以输入：（如果是为了避免循环登陆，记得选择不安装opengl）
sudo sh cuda_9.0.176_384.81_linux.run -no-x-check -no-nouveau-check -no-opengl-files
Accept以后全部点了yes 和 enter

(9)输入sudo service lightdm start
(10)添加环境变量
配置环境变量，运行如下命令打开profile文件

在profile结尾加入：

export CUDA_HOME=/usr/local/cuda-9.0

export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}

export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

然后source/etc/profile立即生效。

注意：
如果环境变量写错导致 gedit命令失效，那么先临时设置环境变量
　export PATH="$PATH:/usr/bin"
　现在这些命令就可以临时使用了，打开再修改就行。

碰到Would you like to register the kernel module sources with DKMS?This will allow DKMS to auomatically build a new module,if you install a different kernel later
回答No。

(11)安装完成以后
输入: nvcc -V
会得到nvcc-V相应信息,那么CUDA配置成功了。

2.3 安装cuDNN

同第一种方法

3.anaconda 的常用命令以及tensorflow的安装

3.1 anaconda 的常用命令

conda list (所有安装的库列表)
conda install package_name (库)安装
conda clean清理
conda update package_name(更新)
conda remove package_name(库) 删除
conda search package_name(库)搜索
conda list -n env_name #指定查看某环境下安装的库
conda info -e 查看当前系统下的环境

创建新的环境:
指定python版本为2.7，注意至少需要指定python版本或者要安装的包
conda create -n env_name python=2.7
同时安装必要的包：conda create -n env_name numpy matplotlib python=2.7

环境切换：
切换到新环境
linux下需要使用：source activate env_name
win下： activate env_name
退出环境:
win下（也可以使用’activate root’ 切回root环境）
deactivate env_name
linux下：
source deactivate

移除环境
conda remove -n env_name --all

安装库
anaconda search -t conda (库例如：tensorflow) 搜索可用版本,搜到的名字
anaconda show (搜到的名字) 会显示这个库需要用什么指令下载
输入安装指令即可

更常用的方法是：直接pip install (库名)

当想要安装的库安装不了或者下载没速度的时候，连到这个网址，（http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost）直接ctrl+f搜想要的库。
cp27代表python2.7以此类推，找到对应版本的库（和自己python版本以及win32/amd64版本一样的库下载）
下载下来是一个whl文件，找到该文件的路径，然后pip install （该文件的文件名.whl）

3.2 安装tensorflow

为了提升速度，建议使用清华大学开源镜像。复制生成的连接直接在终端输入即可完成安装。
另外，tensorflow中的依赖库例如numpy跟anaconda root下的库可能版本不一致，这样会出现tensorflow报错的情况。需要删掉anaconda中的numpy库，替换为tensorflow中自带的，可是使用旧版本的numpy在其他代码又会出现问题。
所以推荐使用 anaconda或者virtualenv来隔离环境。
隔离环境可以参考另外两篇博客，关于廖雪峰的python教程（https://www.jianshu.com/p/3d6c0241503a）和anaconda 常用命令。（https://www.jianshu.com/p/cf14d7b51fe7）
为了保持连贯，anaconda常用命令已经贴在3.1部分。

怕麻烦的改配置，以后就都是从清华源安装库了

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

4. References:

[1]https://developer.nvidia.com/cudnn
[2]http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#ubuntu-installation
[3]https://tensorflow.google.cn/install/install_linux#InstallingAnaconda
[4]https://www.cnblogs.com/iloveblog/p/7683349.html
[5]http://www.icharm.me/%E6%8A%80%E5%98%89gigabyte-b350m-gaming-3-%E5%85%B3%E9%97%AD-secure-boot.html
[6]https://stackoverflow.com/questions/12883128/installing-cuda-5-0-rc-samples
[7]https://software.intel.com/en-us/forums/opencl/topic/738108
[8]https://software.intel.com/en-us/forums/opencl/topic/738108
[9]Keras2.0官方中文教程