在 Ubuntu 18.04.3 + 2070 + python 3.6.8 下配置深度学习环境

安装Ubuntu

• 前段时间安装了18.04.1 ，那时候对于nvidia的20系显卡支持不够友好，即使是下载官方的安装包依然会导致黑屏。所以当新版本可以直接通过更新驱动解决时，我第二时间就开始安装Ubuntu。毕竟在windows上做深度学习真的是很蛋疼，还是linux的架构我更喜欢一些。
• 从官网下载18.04 的Desktop安装包，用软碟通简单烧录到U盘上进行安装。
• 接下来可能需要重新分配硬盘空间。我另外买了一块固态作为Ubuntu的环境，这里采用了主空间和交换空间的方案。虽然超过16G的系统做这个交换空间意义不大，但是我还是设置了16G的SWAP。这里说明一下我的固态是250G的白盘（数据好怕丢失，一定要用网盘备份好数据），32G的内存。具体参考文章如下：

http://tieba.baidu.com/p/5525474552

• 大概就是主空间采用ex4，逻辑/主空间都可，挂载点为 / 。区别在于主空间最多设置4个，其实无所谓的。因为专门为home，root设置空间简直就是脱了裤子放屁，可以安装后自己再设置。SWAP，交换空间，逻辑。当然SWAP可以不设置，设置的话就设置和你内存一样大小就行。我设置了16G，当时忘了自己刚加了一根16G的，晕。

更新驱动

• 刚刚更新不久的18.04，可以直接使用软件更新找到GPU的20系驱动还有我那该死的博通蓝牙wifi网卡，十分方便。当然注意要记得将下载源设置为清华，中科大，阿里什么的。暑假的时候这几个都不好用，不知道是不是因为我运气差。参考如下：

https://blog.csdn.net/github_33678609/article/details/86502916

• 更新完驱动后，在最新的Nvidia包中自带cuda10.1，就不用再下载安装了。具体的可以在终端输入 nvidia-smi查看版本情况。本来想上传图片的，但是截图太大还要压缩，算了，凑合看吧。
• 接下来安装cuDNN还有相关的库什么numpy，keras啥的.PyTorch在官网下载对应版本，具体参考如下：

https://blog.csdn.net/qq_37423198/article/details/89930046

• 说起来，官网安装真的很慢。但是我从20%开始就到10Mb/s了，耐心也很重要。不行的话可以参考网上使用conda修改为清华源安装。

安装pycharm

• jetBrains有学生优惠，可以免费使用professional版本，不用白不用，具体参考如下：

https://blog.csdn.net/qq_15192373/article/details/81091278

升级pip并安装tensorflow2.0

• 首先升级pip版本：
  sudo pip3 install --upgrade pip

• 临时修改pip源头：
  sudo pip3 install ipython -i http://mirrors.aliyun.com/pypi/simple/或者-i https://pypi.tuna.tsinghua.edu.cn/simple

• 安装 tensorflow2.0.0

• sudo pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.0.0-alpha0

• 安装 Python 和 TensorFlow 软件包依赖项

• sudo apt install python-dev python-pip # or python3-dev python3-pip
  参考自官网，引用如下：

  https://tensorflow.google.cn/install/source

• 安装 TensorFlow pip 软件包依赖项（如果使用虚拟环境，请省略 --user 参数）：

• pip install -U --user pip six numpy wheel setuptools mock future>=0.17.1

• pip install -U --user keras_applications==1.0.6 --no-deps

• pip install -U --user keras_preprocessing==1.0.5 --no-deps

• sudo pip3 install launchpadlib

• 蛋疼的是，在python中import tensorflow as tf出现错误，采用如下解决方法：
  GPU版本：sudo pip3 install --upgrade --ignore-installed tensorflow-gpu

• 更新之后，依然出现 cannot import name 'resnet'

• 尝试了诸多方法，都是失败了。我采用重装，先安装推荐的430,然后用命令在中端中删除nvidia驱动，用自己从官网下载的替代，这样省去了自己设置nouveau驱动禁用操作，保证不黑屏。

• 关键来了，此时因为你使用了自己下的驱动，在Ubuntu的软件和更新中有了可以选择的驱动，选择410，下载。完美，终端输入nvidia-smi，推荐cuda版本为10.0

• 更坑的来了，貌似430装cuda10.0也行，不用10.2，真的浪费了很多时间。按照CSDN说法是会自带10.2,实际上并没有安装，醉了。

• 还有一定要按照官方文档来安装，上tensorflow的官网，一步步来，看CSDN上好多废话和假的，根本成功不了！

• 接下来将对应版本的cuDNN下载，并且把文件拷贝到cuda文件夹下，cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2,查看版本为7，成功。另外记得要配置环境变量，用sudo gedit .bashrc编辑输入对应内容（官网教程有）。ncvv -V输出cuda版本说明环境变量配置成功。

• 剩下的和前面一样安装Tensorflow及其依赖，成功后，在python中输入import tensorflow as tf，如下图：

• 另一种测试方法，注意是2.0.0a与以前有差别，参考如下：

https://blog.csdn.net/qq_33440324/article/details/94200046

• 之后本来是安装了 Ananconda 3 的，建议如果依赖包特别多的话，可以选择它。建议下载 2018.5 之前的版本，也就是5.20版本，这样可以省去再安装python3.6的麻烦（之后的版本自带 python 3.7，截止笔者写文章时间，Tensorflow 不支持 3.7 ）。但是由于 Anaconda 3 通过 conda install 下载 Tensorflow2.0.0 alpha0 失败（应该是不支持），所以最后还是选择了卸载，直接在 base 下使用 tensorflow。另外本人没有进行大规模的企业级应用开发，自认为根本不需要 Anaconda。如果说国外的能人可以对大部分 AI 代码进行“开发”。那国内一般学校的老师可以达到基本应用，学生基本就是导包。一句广告语送给大家，结束本次的配置：波导手机，垃圾中的战斗机！