系统 Ubuntu14.04.4 LTS x64
GPU NVIDIA GeForce GTX 750Ti
TensorFlow GPU版本首先需要安装NVIDIA显卡驱动，并且需要CUDA以及cuDNN支持，这里采用的显卡驱动版本为375.39，CUDA版本为8.0，cuDNN版本为5.1。具体安装过程请见深度学习平台Caffe环境搭建【GPU版】
安装完成之后，开始搭建TensorFlow平台。
首先安装libcupti-dev library，官方给出的解释为NVIDIA CUDA Profile Tools Interface。其实就是NVIDIA的一个库。执行命令：
sudo apt-get install libcupti-dev 官方给出了4种安装方法，因为电脑里面已经装有Caffe，为了避免产生冲突，这里选择使用virtualenv安装，virtualenv是一个python管理工具，它可以创建一个独立的python环境，程序运行在这里面可以不受其他python library版本的影响。使用python 2.7，执行命令： sudo apt-get install python-pip python-dev python-virtualenv 创建一个名为tensorflow的virtualenv环境 virtualenv --system-site-packages ~/tensorflow 激活virtualenv环境 source ~/tensorflow/bin/activate 此时在命令行的最前面会出现(tensorflow)，表示环境激活成功。接下来安装TensorFlow GPU版本。
pip install --upgrade tensorflow-gpu 可能出现问题： Downloading/unpacking tensorflow-gpu Could not find any downloads that satisfy the requirement tensorflow-gpu Cleaning up... No distributions at all found for tensorflow-gpu Storing debug log for failure in /tmp/tmpmUPZAM这是因为pip的版本过低，执行命令：
pip install -U pip 升级pip之后，再次执行TensorFlow GPU版本安装命令。安装完成之后，执行deactivate关闭环境。
为了以后激活tensorflow环境更加简单，执行以下命令将tensorflow激活命令写入bash
sudo printf '\nalias tensorflow="source ~/tensorflow/bin/activate"' >>~/.bashrc 刷新bash之后，键入tensorflow即可激活tensorflow环境。激活tensorflow环境后开始测试。
进入python， 执行以下命令：
>>> import tensorflow as tf >>> hello = tf.constant('Hello, TensorFlow!') >>> sess = tf.Session() >>> print(sess.run(hello)) Hello, TensorFlow! >>> a = tf.constant(10) >>> b = tf.constant(32) >>> print(sess.run(a + b)) 42 出现上述结果说明安装成功。执行测试demo
# encoding: utf-8 import tensorflow as tf import numpy import matplotlib.pyplot as plt rng = numpy.random learning_rate = 0.01 training_epochs = 1000 display_step = 50 # 数据集x train_X = numpy.asarray([3.3,4.4,5.5,7.997,5.654,.71,6.93,4.168,9.779,6.182,7.59,2.167, 7.042,10.791,5.313,9.27,3.1]) # 数据集y train_Y = numpy.asarray([1.7,2.76,3.366,2.596,2.53,1.221,1.694,1.573,3.465,1.65,2.09, 2.827,3.19,2.904,2.42,2.94,1.3]) n_samples = train_X.shape[0] X = tf.placeholder("float") Y = tf.placeholder("float") W = tf.Variable(rng.randn(), name="weight") b = tf.Variable(rng.randn(), name="bias") pred = tf.add(tf.multiply(X, W), b) cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples) optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) init = tf.initialize_all_variables() with tf.Session() as sess: sess.run(init) # 训练数据 for epoch in range(training_epochs): for (x, y) in zip(train_X, train_Y): sess.run(optimizer, feed_dict={X: x, Y: y}) print "优化完成!" training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y}) print "Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n' #可视化显示 plt.plot(train_X, train_Y, 'ro', label='Original data') plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line') plt.legend() plt.show() 出现结果至此tensorflow安装结束，可以开始构建网络了。
