Ubuntu16.04下安装tensorflow并配置GPU

Ubuntu 16.04下安装Tensorflow(GPU)

安装之前参考安装英伟达驱动的文章安装相关的显卡驱动。

1.首先安装nvidia显卡驱动:

系统设置->软件更新->附加驱动->选择nvidia最新驱动（第一项）->应用更改

在ubuntu16.04中，更换驱动非常方便，去
系统设置->软件更新->附加驱动->切换到最新的NVIDIA驱动即可。应用更改->重启

​2.下载CUDA8.0地址https://developer.nvidia.com/cuda-release-candidate-download(需要登陆)

请先确定显卡型号和是否支持GPU加速，查询网址：https://developer.nvidia.com/cuda-gpus

下载.run文件，进入文件目录，执行安装命令：

sudo ./cuda_8.0.61_375.26_linux.run  (目录和文件名由你下载的文件进行更改)

根据提示输入y或回车等操作：此安装过程可选择不安装显卡驱动。

Do you accept the previously read EULA?

accept/decline/quit: accept

 

Install NVIDIA Accelerated Graphics DriverforLinux-x86_64367.48?

(y)es/(n)o/(q)uit: n

 

Install the CUDA8.0Toolkit?

(y)es/(n)o/(q)uit: y

 

Enter Toolkit Location

[defaultis /usr/local/cuda-8.0]:

 

Do you want to install a symbolic link at /usr/local/cuda?

(y)es/(n)o/(q)uit: y

 

Install the CUDA8.0Samples?

(y)es/(n)o/(q)uit: y

安装完毕后，再声明一下环境变量，并将其写入到 ~/.bashrc 的尾部:

export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
export CUDA_HOME=/usr/local/cuda

保存退出，运行source ~/.bashrc，生效配置。

3.测试是否安装成功(可选)

cd /usr/local/cuda/samples/1_Utilities/deviceQuery

sudo make

./deviceQuery

显示结果：

4.安装CuDNN

如果要使用gpu来对tensorflow进行加速，除了安装CUDA以外，cuDNN也是必须要安装的。跟cuda一样，去nvidia的官网下载cuDNN的安装包。不过这次没法直接下载，需要先注册，然后还要做个调查问卷什么的，稍微有点麻烦。我下的是cuDNN v5.1 Library for Linux这个版本。不要下cuDNN v5.1 Developer Library for Ubuntu16.04 Power8 (Deb)这个版本,因为是给powe8处理器用的，不是amd64.

下载地址：https://developer.nvidia.com/cudnn（需要登录）

下载完成后复制文件到cuda目录/usr/local/cuda/，解压下载文件：

tar xvzf cudnn-8.0-linux-x64-v5.1-ga.tgz                   ###（解压这个文件）

sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn* (root用户可以忽略)

1.4 Tensorflow 0.11

tensorflow github上面提到 4 种安装方式，本教程使用 第四种 源码安装：

参看https://github.com/tensorflow/tensorflow/blob/master/README.md

https://github.com/tensorflow/tensorflow（下载地址）

说明：
（1）打开README.md页面，往下翻，直到下图这个位置：

Installation

See Installing TensorFlow for instructions on how to install our release binaries or how to build from source.

People who are a little more adventurous can also try our nightly binaries:

• Linux CPU-only: Python 2 (build history) / Python 3.4 (build history) / Python 3.5 (build history)
• Linux GPU: Python 2 (build history) / Python 3.4 (build history) / Python 3.5 (