一站式tensorflow-gpu环境配置方法（服务器版）

天下苦tf-gpu+cuda+cudnn久矣！

每次拿到一个新的代码，就要花时间配环境，因为代码的tf版本不同，对cuda和cudnn的版本要求也不同，而服务器上的cuda版本一般是固定的，所以基本上所有代码都要在虚拟机docker中运行

近期由于饱受环境配置的折磨，总结出一套比较好用的配置方法。

docker hub + miniconda + pip + ssh

1.安装docker、nvidia-docker

安装docker教程（需要root）

安装nvidia-docker（需要docker、nvidia-driver）

2.确定cuda、cudnn、gcc版本

点击查看tf-gpu和cuda、cudnn、gcc的版本对应

注意gcc和g++版本也要合适，虽然不知道为什么，但是既然有要求，就改了吧

调整gcc版本网上教程很多，这里就不赘述了

3.搜索合适的docker镜像

docker hub

找到自己需要的镜像，如果能找到带合适的tf-gpu版本的镜像就更好啦~

点击镜像标题

 

点击复制按钮，将镜像拉取到服务器

4.安装镜像，启动容器

在服务器中执行：

docker images # 查看刚才拉取到的镜像的id
nvidia-docker run -dit 镜像ID bash # 以守护方式运行镜像，容器退出后不会销毁
docker ps # 查看刚才生成的容器
docker exec -it 容器ID bash #以命令行的方式与容器交互

5.在容器中安装Miniconda3

在容器中安装miniconda，容器可以看作一个有预配置的linux虚拟机

linux安装miniconda3

安装conda后如果conda命令找不到，请自行搜索解决~

网上很多解决方案，一般是没有将conda路径写入path或者执行soource deactivate 退出默认的bash环境接可以啦

6.安装适合版本的python环境

# 创建
conda create -n env_name python=3.xx/2.xx
# 激活
conda activate env_name

7.conda 或 pip 安装需要的包

使用conda和pip视情况而定，安装的包可以通用