在Docker Ubuntu镜像中安装tensorflow-gpu

需要在一个Ubuntu的docker镜像中配置tensorflow-gpu环境，按照官网的instruction来一步一步做（安装CUDA的地方有点不同）：https://www.tensorflow.org/get_started/os_setup

Step 1 安装Anaconda（python 2.7）
官方网站：https://www.continuum.io/downloads#linux
右键复制下载地址：https://repo.continuum.io/archive/Anaconda2-4.3.0-Linux-x86_64.sh
用wget将安装包下载到当前目录。
刚刚下载下来这个文件不是可执行文件，先加权限，在终端输入命令：sudo chmod +x xxxx.sh。
加了权限以后，直接运行 ./xxxx.sh。
安装包会自动将anaconda的相关路径加到全局环境变量PATH中。

Step 2 安装CUDA（8.0）
官方网站：https://developer.nvidia.com/cuda-downloads
查看了一下系统的版本号cat /etc/issue，然后根据版本不同来选择下载，然后发现在镜像里面下载不了被墙了，就在外面下好，然后拷贝到镜像里面（可以用winscp这个软件）。
安装包里面有三个文件：Nvidia toolkit，CUDA-samples和CUDA安装包。
先解压安装包sudo sh cuda-xxx.run -extract=/保存的绝对路径，然后只运行解压后的cuda-xxx.run就可以了，没必要安装那么多。
一般会自动给/usr/local/cuda-x.0文件夹建一个symbolic link为/usr/local/cuda，两个地址是等价的。

Step 3 安装加速库cuDNN
官方网址：https://developer.nvidia.com/cudnn
要下载压缩包需要先注册一个账号，然后下载。
只需要解压压缩包，然后将里面的文件拷贝到cuda路径下面。
tar xvzf cudnn-8.0-linux-x64-v5.1-ga.tgz
sudo cp -P cuda/include/cudnn.h /usr/local/cuda/include
sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
接着环境变量LD_LIBRARY_PATH里面将CUDA动态链接库的路径加上，一般是/usr/local/cuda/lib64。
（加到用户自己的环境中，编辑/home/user/.bashrc。sudo vim /home/user/.bashrc，在末尾加一行export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH。保存退出后，让环境立即生效source /home/user/.bashrc。）

Step 4 安装tensorflow（GPU版本）
首先创建一个虚拟环境conda create -n tensorflow python=2.7，会在这个环境里面另外安装一个python 2.7和相关的库。
打开虚拟环境source activate tensorflow。
设置好要tensorflow下载的地址：
export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.1-cp27-none-linux_x86_64.whl
安装tensorflow：
pip install --ignore-installed --upgrade $TF_BINARY_URL

Step 5 测试tensorflow
$ python
\> import tensorflow as tf
\> hello = tf.constant('Hello, TensorFlow!')
\> gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.1)
\> sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
\> print(sess.run(hello))
Hello, TensorFlow!
\> a = tf.constant(10)
\> b = tf.constant(32)
\> print(sess.run(a + b))
42
\>

如果配置GPU环境成功，可以用nvidia-smi来查看测试前后GPU内存的变化。我这里设置了使用GPU内存的10%。

到此，环境配置完成。