ubuntu 16.04 +anaconda3.6 +Nvidia DRIVER 390.77 +CUDA9.0 +cudnn7.0.4+tensorflow1.5.0+neural-style

重装了win和ubuntu 16.04 。（前面白作了）
ubuntu 下安装了matlab R2017b。
ubuntu 下安装了Anaconda3-5.2.0-Linux-x86_64.sh 。
发现cuda8跟NVIDIA驱动不兼容。nvidia-smi 和 cat /proc/driver/nvidia/version 没有结果。NVIDIA驱动信息没法显示。

8.16

配置了显卡驱动。（NVIDIA UNIX x86_64 Kernel Module 390.77）登陆死循环的解决就是不要用小键盘就ok了。
安装好了cuda 9.0。（tensorflow之后的版本都只支持cuda 9.0了，因此安装的9.0）
安装好了最新版本的cudnn 7.2.0.1 for cuda 9.0。
安装了tensorflow-gpu-1.5.0。

8.17

作了neural-style实验。发现它不兼容当前cudnn的版本，只支持7004如下的cudnn，因此涉及到给cudnn降级的问题（就是重装一个低级的），cudnn官网的这个7.0.4-for-cuda9.0版本挂掉了。
下载了cudnn-9.0-linux-x64-v7.tgz （好人一辈子平安）

8.18

用tgz方式安装了cudnn 7.0.4 for cuda 9.0。
neural-style实验。解决了一些bug后实验成功。

前期准备工做

anaconda3

下载地址

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

https://blog.csdn.net/weili_/article/details/80962947

安装

bash Anaconda3-5.2.0-Linux-x86_64.sh

bug 1：conda:未找到命令,终端输入

export PATH=~/anaconda3/bin:$PATH

或者

sudo vim ~/.bashrc

末尾加入

export PATH=~/anaconda3/bin:$PATH

激活

source ~/.bashrc

Nvidia DRIVER390.77

参考的这个

卸载原驱动

apt-get --purge remove nvidia-*

查找相应.run 文件：去官网下载 NVIDIA-Linux-x86_64-390.77.run

wget http://us.download.nvidia.com/XFree86/Linux-x86_64/390.77/NVIDIA-Linux-x86_64-390.77.run

禁用 nouveau

修改属性

sudo chmod 666 /etc/modprobe.d/blacklist.conf

用vim编辑器打开

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

在该文件末尾添加如下几行

blacklist vga16fb
blacklist nouveau
blacklist rivafb
blacklist rivatv
blacklist nvidiafb

执行下列命令

sudo update-initramfs -u
# 若是出现 W: mdadm: /etc/mdadm/mdadm.conf defines no arrays.
# 删掉/etc/mdadm/mdadm.conf ，从新执行一遍命令便可

重启后查看

reboot
lsmod | grep nouveau # 没有输出即为屏蔽好了

安装显卡驱动前准备工做

sudo apt-get install -y gcc g++ make

确认禁用了nouveau

lsmod | grep nouveau # 若无输出，则表示禁用成功

安装显卡驱动

sudo chmod a+x NVIDIA-Linux-x86_64-390.77.run
sudo ./NVIDIA-Linux-x86_64-390.77.run -no-x-check -no-nouveau-check -no-opengl-files
# -no-opengl-files 表示只安装驱动文件，不安装OpenGL文件，这个参数最重要
# -no-x-check 安装驱动时不检查X服务
# -no-nouveau-check 安装驱动时不检查nouveau（ps：这个选项和1.3禁止集成的nouveau驱动组成双保险，其实一项操做就能够了）

查看GPU版本

nvidia-smi # 查看GPU和驱动程序信息
cat /proc/driver/nvidia/version # 查看驱动程序版本

安装后，没启动程序，GPU使用率高，执行下列命令

nvidia-smi -pm 1 # 这个是设定持久模式，（没人用GPU的时候，驱动不自动卸载，而是一直都处于加载状态）  
                 # 本次有效下次重启还须要从新设定。
                 # 默认状态是驱动每次用完都自动卸载的，而后从新加载。

Ref:

Ubuntu 16.04 用户登陆界面死循环问题的解决

ubuntu16.04安装CUDA注意事项记录

Linux下CUDA+CUDNN+TensorFlow安装笔记

史上最全的ubuntu16.04安装nvidia驱动+cuda9.0+cuDnn7.0

Ubuntu16.04安装CUDA+cuDNN+GPU版TensorFlow过程记录

ubuntu16.04+CUDA8.0+GTX1080Ti+yolov3+Opencv3.1.0详细配置

Ubuntu16.04+cuda-8.0+cudnn-v5.1+tensorflow0.8-gpu/tensorflow1.0-gpu安装教程

Win10下双系统Ubuntu14.04+GTX1070+CUDA&cuDNN+Tensorflow环境搭建

显卡分辨率问题

Ubuntu16.04调整屏幕分辨率至1920×1080

一、ctrl+alt+t打开终端，输入命令“cvt 1920 1080”，返回

yue@akayue:~$ cvt 1920 1080
# 1920x1080 59.96 Hz (CVT 2.07M9) hsync: 67.16 kHz; pclk: 173.00 MHz
Modeline "1920x1080_60.00"  173.00  1920 2048 2248 2576  1080 1083 1088 1120 -hsync +vsync

二、输入命令：“xrandr”，显示出当前可用的分辨率信息：

yue@akayue:~$ xrandr
Screen 0: minimum 8 x 8, current 1920 x 1080, maximum 32767 x 32767
eDP1 connected primary 1920x1080+0+0 (normal left inverted right x axis y axis) 344mm x 194mm
   864x486       60.00  
   640x480       59.94  
   1920x1080_60.00  59.96* 
VIRTUAL1 disconnected (normal left inverted right x axis y axis)

其中virtual1为显示器的名称。

eDP1 是电脑的名称。

三、增长显示模块，并设置开机启动，命令行输入“vim /etc/profile”,在末尾添加：

xrandr --newmode "1920x1080_60.00" 173.00 1920 2048 2248 2576 1080 1083 1088 1120 -hsync +vsync 
xrandr --addmode eDP1 "1920x1080_60.00"

四、立马启用修改后的配置：

source /etc/profile

修改为功

Ref:Xrandr

CUDA 9.0

卸载

CUDA和驱动的卸载和安装文件类型必须一致！用.run文件安装的CUDA和驱动命令：

$ sudo perl /usr/local/cuda-X.Y/bin/uninstall_cuda_X.Y.pl #uninstall cuda
$ sudo /usr/bin/nvidia-uninstall #uninstall driver

下载CUDA 9.0

根据本身的操做系统选择对应的下载内容，这里给出个人选择：cuda_9.0.176_384.81_linux.run

安装CUDA 9.0

下载后便可开始安装CUDA，这里说明一点，在安装CUDA时也能够安装NVIDIA驱动，可是这样安装显卡驱动版本较低，因此通常选择先安装NVIDIA驱动，我安装的是cuda_9.0.176_384.81_linux.run版本。
执行如下命令：

sudo bash cuda_9.0.176_384.81_linux.run

安装过程当中只须要注意在出现Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 384.81?选择否便可，其他的都直接默认或者选择是。

配置环境变量,执行命令

sudo vim ~/.bashrc

注意如果提示没有安装vim，则执行如下命令安装vim

sudo apt-get install vim

安装完后，可使用如下命令查看

update-alternatives --display vi #已经添加到系统
vim --version                    #查看版本

进入.bashrc后，在末尾处添加

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

激活

source ~/.bashrc

查看cuda信息

输入nvcc -V

测试CUDA的Samples

执行如下命令：

cd /usr/local/cuda/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

若是显示的是一些关于GPU的信息，则说明安装成功了。

查看CUDA版本

cat /usr/local/cuda/version.txt

REF：

在Ubuntu 16.04 下安装CUDA 8.0和cuDNN v5.1

Tensorflow GPU安装指南 (Ubuntu 16.04 anaconda cuda8.0 cuDNN6.0)

cudnn 7.0.4

卸载

直接在终端输入：

sudo rm -rf /usr/local/cuda/include/cudnn.h

sudo rm -rf /usr/local/cuda/lib64/libcudnn*

`Debian` 下安装(cudnn7.2.1 for cuda 9.0)

下载地址

Debian下的安装方法跟简单,直接安装打包好的.deb就能够了。进入debian版本cudnn的文件夹下，安装运行时的库

sudo dpkg -i libcudnn7_7.2.1.38-1+cuda9.0_amd64.deb

安装开发者的库

sudo dpkg -i libcudnn7-dev_7.2.1.38-1+cuda9.0_amd64.deb

安装例程和用户指南

sudo dpkg -i libcudnn7-doc_7.2.1.38-1+cuda9.0_amd64.deb

tgz安装cudnn 7.0.4 for cuda 9.0 （官网和谐版本）

TensorFlow须要用到cudnn，cudnn是NVIDIA开发的用于深度神经网络的GPU加速库。下载地址
下载完后解压：

cp  cudnn-8.0-linux-x64-v5.1.solitairetheme8 cudnn-8.0-linux-x64-v5.1.tgz
tar -xvf cudnn-8.0-linux-x64-v5.1.tgz

如下的操做须要管理员权限。
复制头文件：

cd cuda/include
sudo cp cudnn.h /usr/local/cuda-8.0/include

再将lib64目录下的动态文件进行复制和连接：

cp lib* /usr/local/cuda/lib64/    #复制动态连接库
 cd /usr/local/cuda/lib64/      
 rm -rf libcudnn.so libcudnn.so.5    #删除原有动态文件
 ln -s libcudnn.so.5.0.5 libcudnn.so.5
 ln -s libcudnn.so.5 libcudnn.so

而后设置环境变量和动态连接库，在命令行输入：（用 sudo vim ~/.bashrc 也行）

gedit /etc/profile

在打开的文件末尾加入：

export PATH = /usr/local/cuda8.0/bin:$PATH

保存以后，建立连接文件：

vim /etc/ld.so.conf.d/cuda.conf

按下键盘i进行编辑，输入连接库位置：

/usr/local/cuda/lib64

而后保存退出，并在终端输入：

ldconfig

yue@akayue:~$ sudo vim /etc/ld.so.conf.d/cuda.conf
[sudo] password for yue: 
yue@akayue:~$ ldconfig
/sbin/ldconfig.real: /usr/local/cuda/lib64/libcudnn.so.7 is not a symbolic link
/sbin/ldconfig.real: Can't create temporary cache file /etc/ld.so.cache~: Permission denied

bug 2：Can't create temporary cache file /etc/ld.so.cache~: Permission denied

1.Permission denied 就用sudo ldconfig

bug3：libcudnn.so.7 is not a symbolic link

参考。libcudnn.so.7是一个文件，它本应是一个软链接。因而建立软接连：Create the new link manually:

yue@akayue:~$ ls -lh /usr/local/cuda/lib64/libcudnn.so.7 
-rwxr-xr-x 1 root root 273M 8月  18 10:55 /usr/local/cuda/lib64/libcudnn.so.7
yue@akayue:~$ sudo ln -sf /usr/local/cuda/lib64/libcudnn.so.7.0.4 /usr/local/cuda/lib64/libcudnn.so.7

看ldconfig，ldconfig是一个动态连接库管理命令,其目的为了让动态连接库为系统所共享

~$ sudo ldconfig -v

查到

libcudnn.so.7 -> libcudnn.so.7.0.3

这个时候的文件

yue@akayue:~$ ls -lh /usr/local/cuda/lib64/libcudnn.so.7 
lrwxrwxrwx 1 root root 17 8月  18 11:10 /usr/local/cuda/lib64/libcudnn.so.7 -> libcudnn.so.7.0.3

验证CUDA和CUDNN是否安装成功

CUDNN的code sample能够用来检查CUDNN和CUDA是否安装成功，执行如下命令：

sudo cp -r /usr/src/cudnn_samples_v7/ $HOME
cd $HOME/cudnn_samples_v7/mnistCUDNN
sudo make clean
sudo make
sudo ./mnistCUDNN

正常状况下执行以上代码会获得Test passed!的结果。

若是在make步出错，那么可能gcc须要降级；

bug4:`CUDA driver version is insufficient for CUDA runtime version`

那么或许你的显卡驱动安装失败，或许你以前安装太低版本的nvidia的显卡又没有删掉。

bug5:测试mnist时出现错误：error while loading shared libraries: libcublas.so.9.1

出现这个错误的缘由就是程序按照默认共享库路径找不到须要的共享库文件。

默认的共享库路径是/lib和/usr/lib，可是当咱们安装第三方软件时，库文件是在安装的路径下的。

这里须要找到的就是CUDA安装路径下的库文件。

按照下面命令进行操做，将新共享库目录加入到共享库配置文件/etc/ld.so.conf中：

sudo su

cat /etc/ld.so.conf#首先查看一下文件下自己已有的内容

echo "/usr/local/cuda/lib64" >> /etc/ld.so.conf#将想要添加的路径写进文件，这里我安装的是CUDA9.1，读者能够根据本身的路径进行更更名称

ldconfig#ldconfig是一个动态连接库管理命令,其目的为了让动态连接库为系统所共享

cat /etc/ld.so.conf#再次查看进行确认

此时就不会再出现找不到共享库文件的问题了。

安装TensorFlow

注：
tensorflow-gpu==1.5.0 , cuda 9 , cudnn 7.0
tensorflow-gpu==1.4.1 , cuda 8 , cudnn 6.0
tensorflow-gpu==1.2.0, cuda 8, cudnn 5.1

ref：

Ubuntu16.04深度学习环境配置——Anaconda(基于Python3.5)+Tensorflow(GPU版本)的安装以及在PyCharm中的使用

TF官方说明 https://www.tensorflow.org/install/install_linux

在 Ubuntu 上安装 TensorFlow

本指南将介绍如何在 Ubuntu 上安装 TensorFlow。虽然这些说明可能也适用于其余 Linux 版本，但咱们只在知足如下要求的计算机上验证过这些说明（并且咱们只支持在此类计算机上按这些说明操做）：

64 位台式机或笔记本电脑
Ubuntu 16.04 或更高版本

肯定要安装哪一种 TensorFlow

您必须从如下 TensorFlow 类型中选择其一来进行安装：

仅支持 CPU 的 TensorFlow。若是您的系统没有 NVIDIA® GPU，则必须安装此版本。请注意，此版本的 TensorFlow 一般更容易安装（用时一般在 5 或 10 分钟内），因此即便您拥有 NVIDIA GPU，咱们也建议先安装此版本。
支持 GPU 的 TensorFlow。TensorFlow 程序在 GPU 上的运行速度一般要比在 CPU 上快得多。所以，若是您的系统配有知足如下所示先决条件的 NVIDIA® GPU，而且您须要运行性能相当重要的应用，则最终应安装此版本。

运行支持 GPU 的 TensorFlow 所需知足的 NVIDIA 要求

若是您要使用本指南描述的其中一种方式安装支持 GPU 的 TensorFlow，则必须在系统上安装如下 NVIDIA 软件：

CUDA® 工具包 9.0。如需了解详情，请参阅 NVIDIA 文档。请务必按照 NVIDIA 文档中的说明将相关的 CUDA 路径名附加到 LD_LIBRARY_PATH 环境变量上。
cuDNN SDK v7。如需了解详情，请参阅 NVIDIA 文档。请务必按照 NVIDIA 文档中的说明建立 CUDA_HOME 环境变量。
CUDA 计算能力为 3.0 或更高的 GPU 卡（用于从源代码编译），以及 CUDA 计算能力为 3.5 或更高的 GPU 卡（用于安装咱们的二进制文件）。如需了解支持的 GPU 卡的列表，请参阅 NVIDIA 文档。
支持您的 CUDA 工具包版本的 GPU 驱动程序。

libcupti-dev 库，它是 NVIDIA CUDA 分析工具接口。此库提供高级分析支持。要安装此库，请针对 CUDA 工具包 9.0 或更高版本发出如下命令：

$ sudo apt-get install cuda-command-line-tools

并将其路径添加到您的 LD_LIBRARY_PATH 环境变量上：

$ export LD_LIBRARY_PATH=${LD_LIBRARY_PATH:+${LD_LIBRARY_PATH}:}/usr/local/cuda/extras/CUPTI/lib64

对于 CUDA 工具包 7.5 或更低版本，请发出如下命令：

$ sudo apt-get install libcupti-dev

肯定如何安装 TensorFlow

您必须选择安装 TensorFlow 的方式。目前可支持以下几种方式：

Virtualenv
“原生”pip
Docker
Anaconda
从源代码安装（详情请参阅这篇单独的指南）。

咱们建议采用 Virtualenv 安装方式。 Virtualenv 是一个与其余 Python 开发相互隔离的虚拟 Python 环境，它没法干扰同一计算机上的其余 Python 程序，也不会受其影响。在 Virtualenv 安装过程当中，您不只要安装 TensorFlow，还要安装 TensorFlow 须要的全部软件包。（这一过程其实很简单。）要开始使用 TensorFlow，您只须要“激活”虚拟环境。总而言之，Virtualenv 提供一种安全可靠的机制来安装和运行 TensorFlow。

原生 pip 会直接在您的系统上安装 TensorFlow，而不是经过任何容器系统。咱们建议但愿多用户系统中的每一个用户都能使用 TensorFlow 的系统管理员采用原生 pip 安装。 原生 pip 安装并未隔离在单独的容器中进行，所以可能会干扰系统中其余基于 Python 的安装。可是，若是您熟悉 pip 和您的 Python 环境，一般只需一条命令便可进行原生 pip 安装。

Docker 会将 TensorFlow 安装与您计算机上以前就已存在的软件包彻底隔离开来。Docker 容器包含了 TensorFlow 及其全部依赖项。请注意，Docker 映像可能比较大（数百 MB）。若是您想要将 TensorFlow 整合到已在使用 Docker 的某个更大的应用架构中，则能够选择 Docker 安装。

在 Anaconda 中，您可使用 conda 来建立一个虚拟环境。可是，在 Anaconda 内部，咱们建议使用 pip install 命令来安装 TensorFlow，而不要使用 conda install 命令。

注意：conda 软件包是由社区提供支持的，并无任何官方支持。也就是说，TensorFlow 团队既不测试也不维护 conda 软件包。若使用该软件包，您须要自行承担相关风险。

使用 Anaconda 进行安装（本机使用的）

按照如下步骤在 Anaconda 环境中安装 TensorFlow：

按照 Anaconda 下载网站上的说明下载并安装 Anaconda。

经过调用如下命令建立名为 tensorflow 的 conda 环境，以运行某个版本的 Python：

$ conda create -n tensorflow pip python=2.7 # or python=3.3, etc.

# 个人是这个
$ conda create -n tensorflow-gpu python=3.6

经过发出如下命令激活 conda 环境：

#source activate tensorflow-gpu 
(tensorflow)$ # Your prompt should change

在激活 conda 环境的状况下输入如下命令进行安装tensorflow的gpu版本：

安装完后会提示pip的版本有点低，须要更新，安装它给的提示命令进行更新便可。

TensorFlow anaconda清华源安装

(tensorflow)$ pip install \
  -i https://pypi.tuna.tsinghua.edu.cn/simple/ \
  https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/gpu/

验证安装

要验证您的 TensorFlow 安装，请执行如下操做：

确保您的环境已准备好运行 TensorFlow 程序。
运行一个简短的 TensorFlow 程序。

准备环境

若是您是在原生 pip、Virtualenv 或 Anaconda 上进行安装，请执行如下操做：

启动终端。

若是您是经过 Virtualenv 或 Anaconda 进行安装，请激活您的容器。

#source activate tensorflow-gpu

若是您安装了 TensorFlow 源代码，请导航到未包含 TensorFlow 源代码的任何目录。

运行一个简短的 TensorFlow 程序

从 shell 中调用 Python，以下所示：

$ python

在 Python 交互式 shell 中输入如下几行简短的程序代码：

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

若是系统输出如下内容，说明您能够开始编写 TensorFlow 程序了：

Hello, TensorFlow!

若是系统输出一条错误消息而不是问候语，请参阅常见的安装问题。

退出python

关闭环境
source deactivate tensorflow-gpu #关闭环境

卸载

source activate tensorflow-gpu

pip uninstall tensorflow-gpu

PyCharm

安装

首先去官网下载PyCharm的community版本。

下载完成后，解压到想要安装的目录，而后执行如下命令进行运行：

# 假设已进入pycharm的解压目录

cd bin

bash pycharm.sh

而后就是一些基础设置了，完成以后能够看到如下界面：

为了之后使用方便，能够将pycharm的路径添加到~/.bashrc文件中：

vim ~/.bashrc

在文件末尾添加：

export PATH=/pycharm的解压路径/bin:$PATH

记得更改好路径，保存退出，以后再source一下使其生效。以后就能够直接在终端输入pycharm.sh便可启动PyCharm了。

配置

打开PyCharm以后，点击右下角的Configure，选择Settings，在左侧选择Project Interpreter，而后点击右侧面板的小齿轮，选择Add...，在弹出的窗口左侧选择Conda Environment，接着选择Existing environment，这时候它会自动识别出刚刚建立好的conda环境，而后勾选Make available to all projects，点击OK便可。

建立新项目的时候注意选择好Project Interpreter，由于刚刚的设置可能会不能应用到新项目，须要手动选择一下。

Neural-style实战：利用TensorFlow实现图像风格转换

参考：教你从头至尾利用DL学梵高做画

第一步：neural-style下载
第二步：下载vgg19
第三步：把vgg19的mat文件放到neural-style的文件夹根目录下。
第四步：在neural-style的文件夹的路径下输入：

python neural_style.py --content  ./example/1-content.jpg  --styles ./example/1-style.jpg --output ./example/1-output.jpg

你也能够根据你的需求，将–content后面的图片换成你想要转换的图片，–styles后换成你想要转换的风格图片，–output后改为输出的图片名称就能够了。

bug 6:could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR

sudo rm -rf ~/.nv

测试结果

ref:

吴恩达《卷积神经网络》精炼笔记（1）-- 卷积神经网络基础

ubuntu 16.04 安装TensorFlow GPU版本

ubuntu 16.04安装nVidia显卡驱动和cuda/cudnn踩坑过程

Ubuntu16.04+GTX1080配置TensorFlow并实现图像风格转换

预演：使用 TensorFlow 进行深度学习

https://www.tensorflow.org/get_started/get_started_for_beginners

https://www.tensorflow.org/get_started/premade_estimators

https://developers.google.com/machine-learning/crash-course/ml-intro