首篇博客就写写搭建TensorFlow-1.2.1-GPU，作为DeepLearning学习的开始。在整个搭建的过程中踩过大部分的坑，绝大多数时间都是黑人问号.jpg。参考过很多搭建TensorFlow的技术博客，一步一步绕过雷区，终于修成正果，谨以此文以记之。先上本人台式机硬件相关配置：
华硕 z170 pro GamingNVIDIA gtx1060
主要安装步骤为：
1、安装Ubuntu16.042、安装CUDA8.03、安装cuDNN5.14、安装anconda25、安装Tensorflow-gpuTensorFlow 在使用GPU加速时，需要CUDA作为GUP的驱动程序。在Ubuntu下安装CUDA8.0真是耗费了九牛二虎之力。
下载CUDA8.0安装文件 根据网页指示很容易找到合适的安装版本，‘Installer Type’这个选项一定要为runfile(local)文件，我下载的版本是cuda_8.0.61_375.26_linux.run
阅读CUDA官方安装教程 要想成功安装，就必须要老老实实地按照教程中地基本法。下面挑出重要地步骤。
安装前检查
1、检查电脑是否有CUDA可驱动地GPU，这里我们肯定有，输入以下命令后就能查看。
$ lspci | grep -i nvidia2、检查Linux版本是否与下载的CUDA安装文件吻合，这里我们肯定也是没问题的，输入以下命令就能查看。
$ uname -m && cat /etc/*release3、检查是否安装GCC及版本。这里也肯定有的，Ubuntu16.04自带的GCC编译器版本为5.4.0，输入以下命令就能看到
$ gcc -v看到有博客说CUDA8.0不支持5.0以上的编译器，所以要将编译器的版本降到4.9，我自己没在官网上看到这一说法，不过我直接照做了，搬运以下这位博主‘蓝色荣誉’的相关代码:
$ sudo apt-get install g++-4.9 $ sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.9 20 $ sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 10 $ sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.9 20 $ sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 10 $ sudo update-alternatives --install /usr/bin/cc cc /usr/bin/gcc 30 $ sudo update-alternatives --set cc /usr/bin/gcc $ sudo update-alternatives --install /usr/bin/c++ c++ /usr/bin/g++ 30 $ sudo update-alternatives --set c++ /usr/bin/g++4、检查系统内核版本，我的版本是4.4.0-83-generic
$ uname -r安装对应的kernel header 和开发包，其实已经安装了
$ sudo apt-get install linux-headers-$(uname -r)这里还需要安装内核源代码（linux source），否则在安装CUDA8.0时，会遇到 unable to locate the kernel source，解决方法由这篇博客提供，感谢博主‘轱辘Smile’，搬运如下： (注：我没有安装博客里所讲的dkms）
$ uname -r //查看系统版本 $ apt search linux-source //查找对应版本的kernel source $ sudo apt install linux-source-4.4.0 安装Runfile文件 这里对应官方教程第四项内容，步步惊心！ 1、关闭Nouveau驱动 通过以下命令可以看到Nouveau驱动已经被启用，我们现在要禁掉它。 $ lsmod | grep nouveau创建/etc/modprobe.d/blacklist-nouveau.conf并写入以下内容：
$ sudo gedit /etc/modprobe.d/blacklist-nouveau.conf blacklist nouveau options nouveau modeset=0重新生成新的内核启动文件
$ sudo update-initramfs -u重启之后再次检查一下Nouveau驱动是否禁用，输入以下命令，没有输出则成功，
$ lsmod | grep nouveau2、手动安装CUDA8.0 安装CUDA过程中要进入text mode，通过ctrl+alt+F1，然后登录账户，关闭图形化界面
$ sudo service lightdm stop进入CUDA安装文件所在路径，开始安装：
$ sudo sh cuda_8.0.61_375.26_linux.run安装时要小心选择，并且使用默认安装路径。。。
Do you accept the previously read EULA? accept Install NVIDIA Accelerated Graphics Diver for Linux-x86_64 375.26? yes Do you want to install the OpenGL libraries? no Do you want to run nvidia-xconfig? no Install the CUDA 8.0 Toolkit? yes Do you want to install a symbolic link at /usr/local/cuda? yes Install the CUDA 8.0 Samples? yes最终CUDA8.0被安装在了/usr/local/cuda-8.0，并且/usr/local/cuda链接到它。在Home文件夹下面还安装了NVIDIA_CUDA-8.0_Samples，可以用来最终检查CUDA是否安装成功。 3、检查安装情况 首先检查是否生成了装置文件/dev/nvidia*，应该出现如下结果
$ ls /dev/nvidia* /dev/nvidia0 /dev/nvidiactl /dev/nvidia-uvm没有的话还有救。。。参考博客，感谢庞贝船长，编辑启动脚本/etc/rc.local中
$ sudo gedit /etc/rc.local删除第一行#!/bin/sh -e中的-e，这步很重要，否则它不会加载这文本的内容。然后在注释之后，before exit 0之前添加以下代码：
/sbin/modprobe nvidia if [ "$?" -eq 0 ]; then # Count the number of NVIDIA controllers found. NVDEVS=`lspci | grep -i NVIDIA` N3D=`echo "$NVDEVS" | grep "3D controller" | wc -l` NVGA=`echo "$NVDEVS" | grep "VGA compatible controller" | wc -l` N=`expr $N3D + $NVGA - 1` for i in `seq 0 $N`; do mknod -m 666 /dev/nvidia$i c 195 $i done mknod -m 666 /dev/nvidiactl c 195 255 else exit 1 fi /sbin/modprobe nvidia-uvm if [ "$?" -eq 0 ]; then # Find out the major device number used by the nvidia-uvm driver D=`grep nvidia-uvm /proc/devices | awk '{print $1}'` mknod -m 666 /dev/nvidia-uvm c $D 0 else exit 1 fi重启后再次检查。也可以先运行这个脚本，看看奏不奏效。写脚本的时候要在上面的代码最前面加上一行
#!/bin/bash一如既往地没有，一如既往地懵圈，报错说：
Error: could not insert 'nvidia': Required key not available在Google上找到了问题原因，要在开机时的BIOS中disable secure boot。最终在YouTube视频上，结合视频下面的评论找到了针对华硕 z170主板disable secure boot的方法: 进入Boot菜单 > 进入secure boot > OS type 选择 Other OS > 进入key management > 先保存secure boot key > 再删除PK management > 保存退出 然后就能看到那三个装置文件了，感动！
4、添加CUDA8.0到环境变量 打开系统配置文件，在文件最后添加以下路径：
$ sudo gedit ~/.bashrc export PATH=/usr/local/cuda-8.0/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:/usr/local/cuda-8.0/extras/CUPTI/lib64:$LD_LIBRARY_PATH export CUDA_HOME=/usr/local/cuda-8.0注意路径不能是链接文件/usr/local/cuda，必须是/usr/local/cuda-8.0 使路径立即生效
$ source ~/.bashrc5、检查CUDA8.0安装情况
检查已经载入驱动：
$ cat /proc/driver/nvidia/version NVRM version: NVIDIA UNIX x86_64 Kernel Module 375.26 Thu Dec 8 18:36:43 PST 2016 GCC version: gcc version 4.9.3 (Ubuntu 4.9.3-13ubuntu2)检查CUDA Toolkit:
$ nvcc -V nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2016 NVIDIA Corporation Built on Tue_Jan_10_13:22:03_CST_2017 Cuda compilation tools, release 8.0, V8.0.61以后常用到的监控GPU的命令：
$ nvidia-smi Mon Jul 10 22:37:48 2017 +-----------------------------------------------------------------------------+ | NVIDIA-SMI 375.26 Driver Version: 375.26 | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | |===============================+======================+======================| | 0 GeForce GTX 106... Off | 0000:01:00.0 Off | N/A | | 0% 36C P0 27W / 150W | 0MiB / 6072MiB | 0% Default | +-------------------------------+----------------------+----------------------+ +-----------------------------------------------------------------------------+ | Processes: GPU Memory | | GPU PID Type Process name Usage | |=============================================================================| | No running processes found | +-----------------------------------------------------------------------------+太美了快哭了。。。 进NVIDIA_CUDA-8.0_Samples目录编译
$ cd ~/NVIDIA_CUDA-8.0_Samples/ $ sudo make运行较长的一段时间后，最后一行是Finished building CUDA samples，编译结果会放在NVIDIA_CUDA-8.0_Samples目录下的bin目录。
$ cd ~/NVIDIA_CUDA-8.0_Samples/bin/x86_64/linux/release $ ./deviceQuery如果CUDA安装正确并且配置也正确，deviceQuery的输出结果如下：
./deviceQuery Starting... CUDA Device Query (Runtime API) version (CUDART static linking) Detected 1 CUDA Capable device(s) Device 0: "GeForce GTX 1060 6GB" CUDA Driver Version / Runtime Version 8.0 / 8.0 CUDA Capability Major/Minor version number: 6.1 Total amount of global memory: 6072 MBytes (6367150080 bytes) (10) Multiprocessors, (128) CUDA Cores/MP: 1280 CUDA Cores GPU Max Clock rate: 1848 MHz (1.85 GHz) Memory Clock rate: 4004 Mhz Memory Bus Width: 192-bit L2 Cache Size: 1572864 bytes Maximum Texture Dimension Size (x,y,z) 1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384) Maximum Layered 1D Texture Size, (num) layers 1D=(32768), 2048 layers Maximum Layered 2D Texture Size, (num) layers 2D=(32768, 32768), 2048 layers Total amount of constant memory: 65536 bytes Total amount of shared memory per block: 49152 bytes Total number of registers available per block: 65536 Warp size: 32 Maximum number of threads per multiprocessor: 2048 Maximum number of threads per block: 1024 Max dimension size of a thread block (x,y,z): (1024, 1024, 64) Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535) Maximum memory pitch: 2147483647 bytes Texture alignment: 512 bytes Concurrent copy and kernel execution: Yes with 2 copy engine(s) Run time limit on kernels: No Integrated GPU sharing Host Memory: No Support host page-locked memory mapping: Yes Alignment requirement for Surfaces: Yes Device has ECC support: Disabled Device supports Unified Addressing (UVA): Yes Device PCI Domain ID / Bus ID / location ID: 0 / 1 / 0 Compute Mode: < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) > deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 8.0, CUDA Runtime Version = 8.0, NumDevs = 1, Device0 = GeForce GTX 1060 6GB Result = PASS看到Result = PASS就是成功的意思！一步一步小心过来，应该不会出现问题。 再执行一个例子随便看看（反正我看不懂在干些什么）
$ ./bandwidthTest [CUDA Bandwidth Test] - Starting... Running on... Device 0: GeForce GTX 1060 6GB Quick Mode Host to Device Bandwidth, 1 Device(s) PINNED Memory Transfers Transfer Size (Bytes) Bandwidth(MB/s) 33554432 11851.4 Device to Host Bandwidth, 1 Device(s) PINNED Memory Transfers Transfer Size (Bytes) Bandwidth(MB/s) 33554432 11945.4 Device to Device Bandwidth, 1 Device(s) PINNED Memory Transfers Transfer Size (Bytes) Bandwidth(MB/s) 33554432 143910.8 Result = PASScuDNN是CUDA中的一个库，TensorFlow GPU加速时要使用其中的函数，似乎目前的TensorFlow GPU不支持v6.0，所以我选择v5.1。进入cuDNN官网下载，需要注册帐号，不算麻烦。 选择Download cuDNN v5.1 (Jan 20, 2017), for CUDA 8.0，然后选择cuDNN v5.1 Library for Linux，下载的压缩包名称为cudnn-8.0-linux-x64-v5.1.tgz。其中包含cuDNN库的一些头文件等等。所以需要解压，并将其中对应的文件复制到/usr/local/cuda-8.0。
$ tar -xvzf cudnn-8.0-linux-x64-v5.1.tgz $ sudo cp cuda/include/cudnn.h /usr/local/cuda-8.0/include $ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-8.0/lib64 $ sudo chmod a+r /usr/local/cuda-8.0/include/cudnn.h /usr/local/cuda-8.0/lib64/libcudnn*通过 Anaconda来安装Tensorflow-GPU是最方便的方法，墙裂推荐，用过的都说好！！我一般用python2.7，所以安装Anaconda2，去官网下载，下载完毕后运行以下命令进行安装，python各种包一键安装，爽到炸裂！
$ sudo bash Anaconda2-4.4.0-Linux-x86_64.sh注意选择添加Anaconda到环境变量。
具体教程可以参考TensorFlow 官方文档中文版。反正也是傻瓜安装，省心！ 建立一个 conda 计算环境名字叫tensorflow，刚安装好Anaconda后要重新打开终端才能使用conda命令，然后打开这个环境（以后每次用tensorflow时都要先打开这个环境！）。
$ conda create -n tensorflow python=2.7 $ source activate tensorflow (tensorflow) XXX@XXX-XXX:~$使用pip安装tensorflow-gpu，自动选择当前最新的版本1.2.1，选择https://pypi.tuna.tsinghua.edu.cn/simple镜像，感受飞一般的速度。
$ pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu小试一下
$ python >>> 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 >>>当启用一个session时，会看到启动了GPU加速，美滋滋！
Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX 1060 6GB, pci bus id: 0000:01:00.0)最终漫长的搭建TensorFlow-GPU大功告成了。其实一开始用台式机在Ubuntu下安装时遇到各种麻烦，转战到Windows 10，但最后还是咬咬牙在Linux系统下建立的深度学习环境。台式机在安装Ubuntu14.04时巨麻烦，涉及到双显卡的问题，Ubuntu16.04就畅通无阻。之前一直卡在安装CUDA8.0上，很多博客都介绍先安装NVIDIA binary driver（软件更新中的附加驱动），其实我发现没有必要，因为在安装CUDA Toolkit时就会安装N卡驱动，关键不会出错！ Windows 10 上安装TensorFlow-GPU就相对容易很多，网上也有很多教程，大致的步骤也是2-5步。除非有机会再在Win下安装，否则不会写安装过程了。与Linux下安装唯一不同的是Windows 10上面必须是python3、CUDA8.0和cuDNN v5.1搭建TensorFlow-GPU 1.2.1版本。也是踩过很多雷区，亿脸懵逼。 感谢和简书上各位神通广大的博主，更可靠的还是Google。。。 整个过程中需要用到的软件提供一个百度云:
链接: http://pan.baidu.com/s/1sl2ROct 密码: h196