TensorFlow 安装，基于Ubuntu,anabonda

1.先更新一下系统：

你需要去更换国内的源，网上有很多教程

sudo apt-get update
sudo apt-get upgrade

2.更新应用显卡驱动：

重启后在终端输入

nvidia-smi

查看是否出现下图类似界面

小技巧：如果你在跑模型时想监控显卡的温度，可以用这个命令：

watch -n 1 nvidia-smi # 1表示每1秒刷新一次

不要自行安装CUDA和cuDNN
除非你打算安装CUDA 10.0并自行编译 TensorFlow 或 PyTorch ，否则不要自行安装 CUDA 和cuDNN！因为版本兼容问题是个大坑，而网上很多教程却避而不谈。最简单稳妥的办法就是通过 Anaconda 安装 TensorFlow ，让它来安装正确的依赖 —— 例如 CUDA 和 cuDNN。

如果你安装过CUDA和cuDNN,我不清楚是否后续会有问题,大概率你需要卸载,这篇教程是我综合考量了网上十几份安装教程,慎重考虑后总计出来的,本人也是第一次使用TensorFlow,所以如果你之前有安装过各种CUDA版本和驱动,安装过程有问题请不要找我,找我我也不知道,据我查资料,网络上基于pip和CUDA的安装基本都是照抄官网的使用说明,有什么问题不好说,采用笔者的安装方式是简单高效的,如果你喜欢折腾环境,那请自行去官网查看使用说明.至少要比网络上的教程要清楚.

确定可以安装的版本号,CPU或者GPU,这里我要安装GPU版本,你可以到官网查看更多详细信息https://tensorflow.google.cn/install/source

在第一步我们查看到了显卡的驱动版本Driver Version 384.13只能使用CUDA8.0,那么tensorflow就最高只能使用1.40版本了,python3.6版本,这里我发现使用下文的安装方法可能无法成功，读者可以考虑去更新驱动，或者先下载CPU版本体验，最好能使用CUDA10以上，这样就会简单很多
读者请根据自身情况自行判断

3.安装Anaconda:

Anaconda 是数据科学家的必备神器，而我们使用它安装 TensorFlow 的原因是：
自动安装正确版本的依赖；
环境管理 —— PyTorch 和 TensorFlow 依赖的CUDA版本不一致也没关系；
这个安装方法太简单了！

首先下载 Anaconda。目前官方默认提供 Python 3.7 版的安装包，下载完成后是一个.sh后缀的文件，进入目录，终端执行：不要加sudo，会装在管理员目录，到时候有权限问题！踩坑了。

bash Anaconda3-2019.10-Linux-x86_64.sh

----------------------------------------------- zsh 与 bash start--------------------------------------------
当然有可能你用的是zsh 那你需要将下文所有的有关bash的操作换成zsh，默认都是bash，除非你做过更改(我在使用ROS的时候更换了)，如何知道自己使用的是bash还是zsh
1） 在终端输入命令 echo $SHELL

echo $SHELL

2.）在终端输入命令 echo $0（数字0，这个命令不是所有Shell都支持）

echo $0

3.）在终端输入命令ps，查看当前运行的shell是什么。如图1所示，有一个进程是bash，说明shell类型是bash。

修改zsh切换为bash

chsh -s /bin/bash

bash切换为zsh

chsh -s /bin/zsh

----------------------------------------------- zsh 与 bash end--------------------------------------------
提示输入回车继续和接受许可，输入yes

一步步继续，最后添加环境变量也点击确定，安装完成如下图

再执行命令让.bashrc中添加的路径生效：

source ~/.bashrc

执行which python命令可以查看python路径

 which python

安装好Ubuntu系统后，系统已经自动安装好了python2.7和python3，而 安装完Anaconda后，anaconda 里面也有上面步骤安装好的python2.7或者python3;
为了方便管理不同版本的python，之前看的其他教程把自己搞晕了，强烈建议采用下面的方式！！！

1）查看自己的乱七八糟的python们都在哪里：

whereis python

2）打开配置文件.bashrc，进行配置：

sudo gedit ~/.bashrc

将下面三行添加到末尾，保存退出（注意：此处的路径为前面查找的Python路径）

#added by Anaconda3 installer
export PATH="/home/自己的用户名/anaconda3/bin:$PATH"
export PATH="$PATH:$HOME/bin"
alias py27="/usr/bin/python2.7" 
alias pyana3="/home/自己的用户名/anaconda3/bin/python3"

3）使上面的配置生效

source ~/.bashrc

4)使用方法：
py27 对应系统自带的python2.7版本;
pyana3 对应anaconda中的python3版本；
运行测试如下：

如果想要卸载Anaconda

Anaconda的默认安装目录在/home/用户名/anaconda3

1. 删除Anaconda3安装目录：rm -rf /home/dell/anaconda3(换成你的路径);
2. 删除环境变量配置文件.bashrc中Anaconda3的路径：sudo gedit ~/.bashrc;
3. 到文件末尾，找到关于anaconda的内容删除，即如下内容，保存退出即可；
4. 执行source~/.bashrc命令，更新环境变量文件使之生效；
   

4.Anaconda环境下安装与卸载tensorflow-gpu-各种版本

注意:这里是虚拟环境(这样你就可以随便瞎搞,不用担心环境坏掉,坏掉大不了删掉文件夹再安装一次就好),虚拟环境和本机环境的区别见下文为了防止其毙掉我收藏了一份,日后遗忘再翻看,如果你想安装全局环境,那么请查看下文自行安装,相信看过之后这对你来说不成问题
Anaconda本质，conda、pip命令
https://www.jianshu.com/p/eaee1fadc1e9

1）先在Anaconda下创建一个tensorflow的环境：conda create -n TensorFlow1.4 python=3.6 ，其中TensorFlowf1.4 名字随便起，要指定python版本，以自己电脑的python版本为主。系统会提示安装依赖包,选择y.这是最简的安装方式了,否则你需要各种折腾环境,痛不欲生

2）创建成功后，输入 conda activate TensorFlow1.4 进入刚才创建的环境。
PS：如果要退出则输入 source deactivate TensorFlow1.4

3）使用 pip install tensorflow-gpu==1.4.0 安装gpu版tensorflow。如安装cpu版只需替换gpu为cpu即可(当然你首先需要知道你需要安装什么版本,否则将一直踩坑)。系统会提示你安装各种依赖,选择y,

如果你可以使用2.0版本以上的安装,那你可以使用conda install tensorflow-gpu==2.0.0 下载速达更快而且不用担心环境问题
在tensorflow模式下输入 conda list 查看是否安装成功

这里使用pip安装可能会很慢,你也可以选择去python官网下载,手动安装直接在Python插件官网下载，注意这里介绍方式和pip方式不同样在于可以在cmd命令行离线下载，不用饱受网络中断之苦。
首先打开网址pypi.org，看到如下界面

看到最新版本下载

找到你想安装的版本,然后下载,而后在虚拟环境中安装,等待完成

pip install 文件

而后还需要手工安装CUDA版本,裂开

#创建环境
#<env_name> 即创建的环境名。建议以英文命名，且不加空格，名称两边不加尖括号“<>”
#<package_names> 即安装在环境中的包名。名称两边不加尖括号“<>”。
conda create --name <env_name> <package_names>

#激活环境（windows没有source）
source activate <env_name>

#退出环境
source deactivate

#显示已创建环境
#我习惯用第一种
conda env list
conda info -e
conda info --envs

#删除环境
conda remove --name <env_name> --all

#复制环境
conda create --name <new_env_name> --clone <copied_env_name>



#安装包
conda install --name <env_name> <package_name>#指定环境中安装包
conda install <package_name>#在当前环境中安装包

#卸载包
conda remove --name <env_name> <package_name># 卸载指定环境中的包
conda remove <package_name>#卸载当前环境中的包

#查找包
conda search <text>#模糊查找
conda search --full-name <package_full_name>#精确查找

#获取当前环境中已安装的包信息
conda list

#更新包
conda update --all#更新所有包
conda upgrade --all#更新所有包
conda update <package_name>#更新指定包
conda upgrade <package_name>#更新指定包

4）检测是否安装成功：
终端输入python3 进入python3环境(不要退出TensorFlow环境)
编写测试程序demo.py并运行:

#导入库
import tensorflow as tf
import numpy as np
from tensorflow import keras
#定义和编译一个神经网络
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
 编译 并指定 loss optimizer
model.compile(optimizer='sgd', loss='mean_squared_error')
#提供数据
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float)
#培训
model.fit(xs, ys, epochs=500)
#预测
print(model.predict([10.0]))
#或者直接运行
import tensorflow as tf
print(tf.__version__)
print(tf.test.is_gpu_available())

或者直接运行
import tensorflow as tf
print(tf.__version__)
print(tf.test.is_gpu_available())

假如你行时出现下述问题

CUDA driver version is insufficient for CUDA runtime version

这真是一个悲伤的故事,我必须提醒你首先要看好版本再做安装,CUDA版本对显卡驱动的版本有要求
现在我们重新来过,回到第一步去好好查看版本号,实在安装不上去先拿CPU版本凑合一下吧,老显卡支持确实不好,最好还是有新代产品,CUDA10一键解决

5）卸载只需要输入pip uninstall tensorflow-gpu即可

注意gpu版本和cpu版本是不能同时安装的

第0步：卸载protobuf
pip uninstall protobuf
 
第1步：卸载tensorflow
pip uninstall tensorflow
pip uninstall tensorflow-gpu
 
第2步：强制重新安装Tensorflow并支持GPU
pip install --upgrade --force-reinstall tensorflow-gpu
 
第3步：如果还没有，请设置CUDA_VISIBLE_DEVICES，所以对我来说有2个GPU就可以了
export CUDA_VISIBLE_DEVICES=0,1

我看网上说使用Anaconda+jupyter 开发简易高效,后续考虑使用一下,先挖个坑.