简单记录一下搭建tensorflow-gpu过程中踩过的坑
平台： 显卡GTX 1070Ti；操作系统Ubuntu kylin 16.04，环境Conda 3.6， python2.7
坑一：Ubuntu版本不能太高，一开始装的18，后来各种不支持，重新装了16.04
坑二：Nvidia显卡驱动，不要通过Ubuntu系统的自带工具安装，否则不仅用不了，而且还会影响手动安装，想卸载都得费半天劲。其次，不要装太高版本的，官网已经出到390版本了，甚至还有396版本的，但实际上会造成很多不兼容。
正确的做法是：先看tensorflow的版本，如现在最高版本是1.8，其默认支持的cudnn是7.1.2和cuda9.0，而cuda9.0的版本对应的Nvidia驱动是384，所以，安装384版本的。选对了版本，再按照网上的教程走，基本就没啥问题。
坑三：cuda和cudnn的安装，按照网上的绝大部分教程，手动安装，经过一番折腾，最后的结果是：libcudnn.so.6:cannot open sharedobject file: No such file or directory，无论怎么添加PAH路径都没有用。一度怀疑是不是又是版本的问题，试了各种tensorflow版本都没有用，其次怀疑是不是权限的问题，更改权限依然没用。几乎放弃。
实际上，这两个库文件在conda安装tensorflow-gpu时都会自动安装上。
坑四：不能通过pip install tensorflow-gpu安装，应该是不会自动解决依赖问题。通过conda install会列出一大堆的以来文件，但pip不会。
实际上踩过的坑比上面复杂的多，折腾了n久，最后的解决过程是：
1. 安装低版本的Ubuntu 16.04
2. 安装适当版本的显卡驱动 384.111，通过官网网址https://www.geforce.cn/drivers/beta-legacy下载对于run版本，按照网上教程安装。
3. 直接跳过cuda和cudnn的安装，通过conda install tensorflow-gpu一步到位。如果只是使用官方源的话可能会很慢，导致超时，因此需要添加其他的源，如清华提供的源：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/。更多的源可以参考https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/
4. 安装完成之后，已经可以使用了。
5. 测试过程：
在python命令行中，执行sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))，能看到显卡信息，说明安装成功，如果提示Device mapping: Unknown Device，说明失败
通过git下载tensorflow的sample：git clone --recurse-submodules https://github.com/tensorflow/models，在下载的models/tutorials/image/mnist目录下运行 Python convolutional.py，速度是100个step用时越5ms，原来没有正确安装的时候需要70ms，快了一个数量级。