本文安装环境：CUDA11.1 cuDNN8.0.4 TensorFlow1.15.4。
RandLA-Net项目运行占用的内存比较大，在装系统时，/home文件夹一定要分出400G左右的内存空间。否则，后面这个项目运行不起来。
1.环境配置
本文是使用ubuntu18.04复现RandLA-Net，使用的深度学习框架是TensorFlow1.15.4。
不管搭建什么样的深度学习框架，首先要知道你要安装的环境有哪些。其次，就是确定环境版本。配置深度学习环境需要的安装包，需要的安装包如下：
1）Anaconda------容器，用于环境管理，可以在其中创建多个不同的深度学习环境
2）GPU工具链-----Nvidia显卡、显卡驱动、CUDA工具套件、cuDNN工具包
- CUDA（Compute Unified Device Architecture， 计算机构平台） 是NVIDIA推出的一种新的操作GPU计算的硬件和软件架构，能够解决复杂问题。CUDA的支持依赖显卡驱动的版本
- cuDNN(GPU加速库) 用于深度神经网络的GPU加速库。它主要强调性能、易用性和低内存开销。NVIDIA的cuDNN可以集成到更高级别的机器学习框架中，用来加速神经网络的训练
- 深度学习框架 主要有：TensorFlow、PyTorch、Caffe、Keras等等。
RandLANet相关资料：
RandLANet作者知乎博客项目讲解：[CVPR 2020 Oral] RandLA-Net:大场景三维点云语义分割新框架（已开源） - 知乎
RandLANet原文链接：https://arxiv.org/abs/1911.11236
1.1环境安装包版本确定
配置环境过程中最麻烦的就是各个安装包版本的确定，不是特别困难，下面为大家逐一讲解。整体思路：根据安装的深度学习框架，依次确定需要的CUDA版本、显卡驱动版本和cuDNN版本。以TensorFlow为例：TensorFlow版本 >> CUDA版本 >> 显卡驱动版本和cuDNN版本。
我安装的是TensorFlow1.15.4在TensorFlow官网查看(需要科学上网，无法科学上网的话，可能无法进入TensorFlow官网)。可以看到TensorFlow1.15需要的安装包版本分别为:CUDA10.0、cuDNN7.4、python2.7或者python3.3-3.7。但是我的显卡是3060，30系列显卡仅支持11.1及以上版本。所以选择安装CUDA11.1 cuDNN8.0.4、python3.6。接下来，逐一安装这几个包。
同样，安装PyTorch的步骤一样，先去PyTorch官网查看对应版本。如果你要装Pytorch1.13.1，查看PyTorch1.13.1需要的CUDA版本，CUDA11.6或者CUDA11.7。然后再去查找CUDA11.7需要的cuDNN版本和显卡驱动版本。
1.2 环境安装顺序
Anaconda >> 显卡驱动 >> CUDA11.1 >> cuDNN8.0.4 >> TensorFlow1.15.4
1.Anaconda安装
Anaconda是一个容器，可以在这个容器中创建不同的深度学习环境。直接安装最新版本。andaconda官网下载安装包anaconda官网：
剩下的安装步骤查看一下博客：重启，重启，重启！安装完以后一定要重启。
2.显卡驱动安装
显卡驱动安装，显卡驱动不一定非要按照CUDA版本安装，安装推荐版本即可。安装主要分为两步，第一步禁用nouveau，第二步安装驱动。
1)禁用nouveau
nouveau开源驱动与NVIDIA驱动相互冲突，如果设备安装了nouveau驱动，NVIDIA驱动将无法正常安装。
在终端中输入：
sudo bash -c "echo blacklist nouveau > /etc/modprobe.d/blacklist-nvidia-nouveau.conf"
sudo bash -c "echo options nouveau modeset=0 >> /etc/modprobe.d/blacklist-nvidia-nouveau.conf"然后，再输入下面的代码，查看是否禁用成功：
cat /etc/modprobe.d/blacklist-nvidia-nouveau.conf终端显示：
blacklist nouveau
options nouveau modeset=0表明禁用成功。
2）安装驱动
先重启内核，内核重启代码：
sudo update-initramfs -u重启系统。
使用 "Software & Updates" 应用中的 "Additional Drivers" 选项卡来安装 Nvidia 驱动，系统会先搜索可用的驱动，搜索完成后，找一个合适的选中，然后点击Apply Changes。系统会自动安装（时间可能需要半小时左右，耐心等待一下）。
例如：选取Using NVIDIA driver metapackage from nvidia-driver-525(proprietary)。
安装完成后，重启。
重启之后，在终端输入:
nvidia-smi显示以下内容，证明安装成功。
3.CUDA11.1.0安装
打开英伟达官网，下载CUDA。
我下载的是11.1.0版本，选择相应的配置，复制安装指令，在终端安装
然后，按照下面这个博客安装：ubuntu18.04安装cuda和cudnn
4.cuDNN8.0.4安装
进入cuDNN官网，找到合适的cudnn版本，下载对应版本的cuDNN的runtime developer以及samples
下载完成后，按照这个博客安装：ubuntu18.04安装cuda和cudnn_cuda11.0.3 ubuntu18.04_FAST-ROBOT的博客-CSDN博客
至此，安装深度学习框架之前的环境已经配置好，接下来开始配置深度学习环境。
5.TensorFlow1.15.4安装
我复现的是RandLaNet，所以以上环境安装完成之后，先创建randlanet的虚拟环境，在randlanet虚拟环境中安装TensorFlow1.15.4，代码如下(注意：这里创建环境的时候选择3.6)：
conda create -n randlanet python=3.6
安装中间需要输入一个y，然后等待安装完成。
激活虚拟环境,激活命令：
conda activate randlanet接下来操作均在虚拟环境中操作。因为30系列显卡不支持CUDA11.1以下版本，安装tensorflow之前，需要先安装依赖。在桌面上建立一个任意名称的txt文件如：require.txt，将下列对应版本依赖复制进去。
nvidia-cublas==11.2.1.74
nvidia-cuda-cupti==11.1.69
nvidia-cuda-nvcc==11.1.74
nvidia-cuda-nvrtc==11.1.74
nvidia-cuda-runtime==11.1.74
nvidia-cudnn==8.0.4.30
nvidia-cufft==10.3.0.74
nvidia-curand==10.2.2.74
nvidia-cusolver==11.0.0.74
nvidia-cusparse==11.2.0.275
nvidia-dali-cuda110==0.26.0
nvidia-dali-nvtf-plugin==0.26.0+nv20.10
nvidia-nccl==2.7.8
nvidia-pyindex==1.0.5
nvidia-tensorboard==1.15.0+nv20.10
nvidia-tensorrt==7.2.1.4
tensorflow-estimator==1.15.1切换到桌面上，使用下列命令安装以上依赖：
依赖安装完成之后直接使用pip安装TensorFlow1.15.4。命令如下：
#安装tensorflow的索引
pip install nvidia-pyindex
#安装tensorflow
pip install nvidia-tensorflow==1.15.4安装完成后，输入下列三个命令验证是否安装成功：
#先在终端输入python
python
#测试tensorflow
import tensorflow as tf
#查看版本
tf.__version__
#查看tensorflow是否可用
print('Num GPUs Available: ', len(tf.config.experimental.list_physical_devices('GPU')))如果没有错误提示，证明安装成功。
至此，深度学习环境搭建完成，下一步安装项目需要的包，测试项目。