今天的目标是安装TensorFlow GPU版本，安装TensorFlow GPU版本需要成功配置好CUDA。不过在安装TensorFlow GPU之前，有一些机器学习必须用到的安装包也需要来安装一下。

　　1. 安装pip

　　因为Jetson Nano中已经安装了Python3.6版本，所以安装pip还是比较简单的

　　sudo apt-get install python3-pip python3-dev

　　安装后pip是9.01版本，需要把它升级到最新版，升级后pip版本为19.0.3。这里面升级后会有一个小Bug，需要手动改一下

　　python3 -m pip install --upgrade pip #升级pip

　　sudo vim /usr/bin/pip3 #打开pip3文件

　　将原来的

　　from pip import main

　　if __name__ == '__main__':

　　sys.exit(main())

　　改成

　　from pip import __main__

　　if __name__ == '__main__':

　　sys.exit(__main__._main())

　　修改结束后保存。运行pip3 -V成功后显示

　　beckhans@Jetson:~$ pip3 -V

　　pip 19.0.3 from /home/beckhans/.local/lib/python3.6/site-packages/pip (python 3.6)

　　2. 安装那些机器学习领域如雷贯耳的包

　　sudo apt-get install python3-scipy

　　sudo apt-get install python3-pandas

　　sudo apt-get install python3-sklearn

　　这里面没有numpy和matplotlib，不是说他俩不重要，而是安装其它包时，这两个也会被自动安装。

　　3. 安装TensorFlow GPU版

　　(1)确认CUDA已经被正常安装

　　nvcc -V

　　如果能看到CUDA版本号，即为正确安装

　　(2)安装所需要的包

　　sudo apt-get install python3-pip libhdf5-serial-dev hdf5-tools

　　(3)安装TensorFlow GPU版本

　　pip3 install --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v42 tensorflow-gpu==1.13.1+nv19.3 --user

　　经历了漫长的等待，下载过程中好几次断网了几次，不过终于安装成功了，没出什么异常。

　　最近有很多朋友反应NViada网站的TensorFlow下载太慢，我把官网上的下载下来放百度网盘了，大家下载前先点赞，不点不给用，哈哈哈哈!链接：https://pan.baidu.com/s/17Iq4XXfSR4CDDiQS6NAlOA 提取码：2fy3

　　4. 安装Keras

　　既然有了TensorFlow，那就把Keras也安装上。我自己很喜欢keras，让TensorFlow变得更加简单

　　sudo pip3 install keras

　　安装完成后，进入python3，检查一下安装成果，import keras时，下方提示using TensorFlow backend,就证明Keras安装成功并使用TensorFlow作为backend。

　　beckhans@Jetson:~$ python3

　　Python 3.6.7 (default, Oct 22 2018, 11:32:17)

　　[GCC 8.2.0] on linux

　　Type "help", "copyright", "credits" or "license" for more information.

　　>>> import keras

　　Using TensorFlow backend.

　　>>>

　　5. 测试TensorFlow

　　跑一段自己写的非线性回归代码，速度还是挺快的

　　import tensorflow as tf

　　import numpy as np

　　import matplotlib.pyplot as plt

　　x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]

　　noise = np.random.normal(0, 0.02, x_data.shape)

　　y_data = np.square(x_data) + noise

　　x = tf.placeholder(tf.float32, [None, 1])

　　y = tf.placeholder(tf.float32, [None, 1])

　　# 输入层一个神经元，输出层一个神经元，中间10个

　　# 第一层

　　Weights_L1 = tf.Variable(tf.random.normal([1, 10]))

　　Biases_L1 = tf.Variable(tf.zeros([1, 10]))

　　Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + Biases_L1

　　L1 = tf.nn.tanh(Wx_plus_b_L1)

　　# 第二层无锡×××医院×××:http://www.bhnfk.com/

　　Weights_L2 = tf.Variable(tf.random.normal([10, 1]))

　　Biases_L2 = tf.Variable(tf.zeros([1, 1]))

　　Wx_plus_b_L2 = tf.matmul(L1, Weights_L2) + Biases_L2

　　pred = tf.nn.tanh(Wx_plus_b_L2)

　　# 损失函数

　　loss = tf.reduce_mean(tf.square(y - pred))

　　# 训练

　　train = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

　　with tf.Session() as sess:

　　sess.run(tf.global_variables_initializer())

　　for i in range(2000):

　　sess.run(train, feed_dict={x: x_data, y: y_data})

　　print("第{0}次，loss = {1}".format(i, sess.run(loss,feed_dict={x: x_data, y: y_data})))

　　pred_vaule = sess.run(pred, feed_dict={x: x_data})

　　plt.figure()

　　plt.scatter(x_data, y_data)

　　plt.plot(x_data, pred_vaule, 'r-', lw=5)

　　plt.show()