ubuntu18.04+cuda+cudnn+anaconda+tensorflow+pycharm

前提

    step1:确定是否安装了驱动:nvidia-smi
    step2:查看gcc版本:gcc --version
    若gcc版本太高就更改版本：sudo apt-get install gcc-4.8 g++-4.8
    切换gcc版本：sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.8 100
    激活生效：sudo update-alternatives --config gcc
    step3:确定GPU卡可以进行CUDA计算，并且计算力>3.5
    到nvidia官网查
    step4:找好对应的版本：
    tensorflow版本<—>CUDA版本<—>cuDNN版本。tensorflow,CUDA,cuDNN之间有严格依赖关系，对应版本一定要对应好。
    驱动版本与CUDA有关联，CUDA要求驱动大于某个版本。

1.anaconda安装

    step1:下载anaconda安装包
    wget https://repo.continuum.io/archive/Anaconda3-5.0.1-Linux-x86_64.sh
    step2:安装anaconda
    bash Anaconda3-5.0.1-Linux-x86_64.sh
    step3:在安装过程中，一直按enter， 直至出现yes/no，输入yes
    当询问是否加入环境变量时，一定要输入yes
    step4查看anaconda是否安装成功
    断开服务器连接，再重新连接服务器，输入python，若无报错，则证明安装成功

测试anaconda是否安装成功

首先需要退出当前文件夹，因为anaconda在安装时新建了anaconda3文件夹（以anaconda3为例），所以要激活anaconda必须得进入到这个文件夹中。“source ./bin/activate”命令激活，“source deactivate”命令退出。

意外情况：若环境变量没有配置成功，需进行以下操作

(1)在终端下输入以下命令：vim ~/.bashrc 打开bashrc文件并编辑
(2)在bashrc文件后加上这一行字， PATH后加的是安装的anaconda的路径：export PATH=/home/.../bin:$PATH
(3)激活文件：source ~/.bashrc
2.安装CUDA10.0

    step1:到官网找到对应版本
    CUDA下载网址：https://developer.nvidia.com/cuda-toolkit-archive
    step2:下载安装
    前提：下载的cuda_10.0.130_410.48_linux.run文件为可执行文件(绿色为可执行文件)，然后再执行sudo sh cuda_10.0.130_410.48_linux.run。
    我这里下载后并不是可执行文件，因此修改了权限，修改权限方法如下：

# 查看文件权限
ls -l cuda_10.0.130_410.48_linux.run
# 修改文件权限
sudo chmod u=rwx,g=rw,o=r cuda_10.0.130_410.48_linux.run

 

安装过程一步一步来：一直enter，直到出现如下画面，输入accept，不安装驱动，安装CUDA 10.0 Toolkit,设置安装路径，不建立链接，安装Samples,设置Samples路径
在这里插入图片描述
最后安装完成的画面：
在这里插入图片描述

    step3:添加环境变量
    (1)在终端执行：vim ~/.bashrc
    (2)在末尾加上如下几行，保存退出

export PATH="/home/yxh/cuda-10.0/bin:$PATH"
export LD_LIBRARY_PATH="/home/yxh/cuda-10.0/lib64/:$LD_LIBRARY_PATH"

(3)激活生效：source ~/.bashrc

    step4:测试是否安装成功
    (1)输入nvcc --version
    在这里插入图片描述
    (2)测试例子，在终端依次输入：

cd /home/yxh/cuda-10.0/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

在这里插入图片描述
显示Result=PASS，则表明CUDA可用！
3.安装cuDNN7.4.1

    step1：到官网查看CUDA10.0对应的cuDNN版本，与tensorflow版本也要对应好，我这里查到是cuDNN7.4.1
    https://developer.nvidia.com/rdp/cudnn-download#a-collapse765-101
    在这里插入图片描述
    step2:解压文件
    害~下载完是cudnn-10.0-linux-x64-v7.4.1.5.solitairetheme8。这后缀变了，执行以下代码

# 更改文件名
mv cudnn-10.0-linux-x64-v7.4.1.5.solitairetheme8 cudnn-10.0-linux-x64-v7.4.1.5.tgz
# 解压文件
tar -xvf cudnn-10.0-linux-x64-v7.4.1.5.tgz

解压后显示如下
在这里插入图片描述

    step3:解压出的文件复制到CUDA安装环境下

sudo cp cuda/include/cudnn.h /home/yxh/cuda-10.0/include/
sudo cp cuda/lib64/libcudnn* /home/yxh/cuda-10.0/lib64/
# 更改文件权限
sudo chmod a+r cuda-10.0/include/cudnn.h
sudo chmod a+r cuda-10.0/lib64/libcudnn*

在这里插入图片描述
4.安装tensorflow-gpu

    step1:创建conda虚拟环境
    conda create -n tf1-py35-gpu python==3.5 jupyter
    查看已有虚拟环境：conda info --envs
    step2:激活环境
    source activate tf1-py35-gpu
    step3:安装tensorflow-gpu==1.14.0
    pip install tensorflow-gpu==1.14.0
    step4:测试是否安装成功

conda 安装的时候，如果下载依赖包出错会导致后续的各种操作报 core cump错误，因此需要conda clear 清理出错的依赖包再重新安装。

# 1.测试CUDA是否可用
import tensorflow as tf
a = tf.test.is_built_with_cuda()  
print(a)

# 2.测试GPU是否可用
b = tf.test.is_gpu_available(
    cuda_only=False,
    min_cuda_compute_capability=None)
print(b)

# 3.打印hello,tensorflow
import tensorflow as tf
hello = tf.constant('hello,tensorflow')
sess = tf.Session()
print(sess.run(hello))

# 4.指定设备执行
import os
os.environ["CUDA_VISIBLE_DEVICE"]="0"
import tensorflow as tf
config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)
with tf.device('/gpu:0'):
    a = tf.constant(1)
    b = tf.constant(2)
    c = a+b
sess=tf.Session(config=config)
print(sess.run(c))

测试不成功有可能是因为numpy版本过高，降低numpy版本即可！

pip uninstall numpy
pip install numpy==1.14.5

3、配置环境：

将Pycharm设置为桌面启动：

启动Pycharm后执行如下操作：

选择Create Desktop Entry，

选ok，

拖到启动项即可。

重点。。。。。。。。。。。。。。。。。。。。。

pycharm配置Anaconda下Python环境：

选Setting，

点击右上角设置按钮，点击Add，

路径选择：/home/python/anaconda2/bin/python