ubuntu18搭建tensorflow-gpu环境

1、安装显卡驱动

首先删除旧的Nvidia驱动文件

sudo apt-get purge nvidia-*

加入PPA源

sudo add-apt-repository ppa:graphics-drivers/ppa

安装Nvidia驱动：
找到自己显卡最新的一个版本后执行安装，比如1080ti当前最新版为nvidia-driver-396

sudo apt-get install nvidia-driver-396（tab键可补充列出其他版本）

安装完毕后重启机器，运行 nvidia-smi，看看生效的显卡驱动；（在确保独立显卡安装成功的情况下，禁用集成显卡，连接独立显卡到显示器），即可在系统信息中看见被识别出型号的Nvidia显卡

2、安装CUDA 9.0（CUDA 9.1需要驱动至少为nvidia-387，我们可以选择安装CUDA 9.0及cuDNN7.0）

从NVIDIA官网Legacy Releases下载CUDA 9.0版本的.run安装包(https://developer.nvidia.com/cuda-90-download-archive)。
由于CUDA 9.0仅支持GCC 6.0及以下版本，而Ubuntu 18.04预装GCC版本为7.3，故手动安装gcc-6与g++-6：

sudo apt-get install gcc-6 g++-6

之后切换至/usr/bin目录修改符号链接，使GCC 6成为默认使用版本：

cd /usr/bin
sudo rm gcc
sudo ln -s gcc-6 gcc
sudo rm g++
sudo ln -s g++-6 g++

安装：
为CUDA 9.0安装包赋予运行权限并运行之：

chmod 775 cuda_9.0.176_384.81_linux.run
sudo ./cuda_9.0.176_384.81_linux.run --no-opengl-libs

安装过程中选择不安装驱动，仅安装CUDA与Samples。若提示”You are attempting to install on an unsupported configuration.”选择y强制安装（如果前面修改了GCC版本，此处应不报该错误）。安装完成后若提示安装失败，可参考错误提示增加–override参数重新安装。
测试：
进入Samples所在目录（默认为~/NVIDIA_CUDA-9.0_Samples），运行命令（所需时间较长）

make

3、安装cuDNN 7.0

从官网下载，这个需要注册https://developer.nvidia.com/rdp/cudnn-download
下载压缩包cudnn-9.0-linux-x64-v7.solitairetheme8（版本号必须严格对应，cuda9.0对应cudnn7.0），然后解压，把相应的文件复制到cuda，进行权限的更改。

cp cudnn-9.0-linux-x64-v7.solitairetheme8 cudnn-9.0-linux-x64-v7.tgz
tar -xvf cudnn-9.0-linux-x64-v7.tgz 
cd到cuda的上一级目录
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

4、配置环境变量

vim ~/.bashrc
# cuda
export PATH=/usr/local/cuda/bin${PATH:+:${PATH}} 
export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} 
export CUDA_HOME=/usr/local/cuda
source ~/.bashrc

这里cuda是个软链接，多个cuda版本存在时候，应该对指向cuda-9.0

5、查看cudnn和cuda版本是否正确

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
nvcc --version

打印cudnn7.0*和cuda9.0*代表没错

4、tensorflow的GPU版本测试

import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

打印出gpu信息代表成功