Ubuntu18.04下搭建深度学习环境（tensorflow CPU GPU、Keras、Pytorch、Pycharm、Jupyter）

安装完显卡驱动后，系统需要重启加载驱动，注意如果按照上述流程进行驱动安装，那在重启系统时，会出现一个蓝色背景的界面 perform mok management , 本人在这一步选择了 continue reboot，导致新安装的 N 卡驱动没有加载，正确的做法如下：
(1)当进入蓝色背景的界面perform mok management 后，选择 enroll mok ,
(2)进入enroll mok 界面，选择 continue ,
(3)进入enroll the key 界面，选择 yes ,
(4)接下来输入你在安装驱动时输入的密码，
(5)之后会跳到蓝色背景的界面perform mok management 选择第一个 reboot

这样，重启后N卡驱动就加载了，恭喜你，Ubuntu 18.04LST 安装成功。可以在系统信息处看到显卡已经是独立显卡。

二、安装CUDA9.0

下载地址：https://developer.nvidia.com/cuda-zone

注意：tensorflow对CUDA的版本有要求，见https://github.com/mind/wheels

1、GCC降级

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，故手动进行降级：

sudo apt-get install gcc-4.8
sudo apt-get install g++-4.8

装完后进入到/usr/bin目录下

  $ls -l gcc*

会显示以下结果

lrwxrwxrwx 1 root root 7th May 16 18:16 /usr/bin/gcc -> gcc-7.3

发现gcc链接到gcc-7.0, 需要将它改为链接到gcc-4.8，方法如下:

sudo mv gcc gcc.bak #备份
sudo ln -s gcc-4.8 gcc #重新链接

同理，对g++也做同样的修改：

ls -l g++*

lrwxrwxrwx 1 root root 7th May 15:17 g++ -> g++-7.3

需要将g++链接改为g++-4.8:

sudo mv g++ g++.bak
sudo ln -s g++-4.8 g++

再查看gcc和g++版本号：

gcc -v g++ -v

均显示gcc version 4.8 ，说明gcc 4.8安装成功

2、安装cuda及其补丁
先安装Base Insataller:

sudo sh cuda_9.0.176_384.81_linux.run

需要注意的是，之前已经安装过显卡驱动程序，故在提问是否安装显卡驱动时选择no,其他选择默认路径或者yes即可。然后，继续执行以下操作安装3个 patch ：

sudo sh cuda_9.0.176.1_linux.run

sudo sh cuda_9.1. 176.2_linux.run

sudo sh cuda_9.1. 176.3_linux.run

配置环境变量：

cd ~

sudo gedit .bashrc

在末尾添加以下路径：

export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}

export LD_LIBRARY_PATH=/usr/local/cuda9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

更新路径：

source .bashrc

3、安装其依赖的库：

sudo apt-get install python-pip python-dev

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

4、测试：

cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery

sudo make

./deviceQuery

cd ../bandwidthTest

sudo make

./bandwidthTest

三.安装cuDNN

1、安装

下载地址：https://developer.nvidia.com/cudnn，需要简单注册（免费），下载对应的cuDNN，我这里下载的是cuDNN v7.1.4[May 16,2018],for CUDA 9.0，选择其下的cuDNN v7.1.4 Library for Linux。解压后的文件夹名字为CUDA，复制到CUDA的安装目录/usr/local/cuda下。

tar -xzvf cudnn-9.0-linux-x64-v7.tgz

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

2、测试

安装Freeimage

在我们验证cuDNN之前，我们必须首先安装freeimage lilbray作为ministCUDNN示例代码的依赖关系。否则，会有提示要求我们正确设置Freeimage。

sudo apt-get install libfreeimage3 libfreeimage-dev

验证cuDNN安装

cp -r /usr/src/cudnn_samples_v7/ $HOME

cd $HOME/cudnn_samples_v7/mnistCUDNN

make clean && make

./mnistCUDNN

如果一切正常，我们可以得到我们的结果 - “测试通过！”

四、安装Anaconda

下载地址：https://www.anaconda.com/download/，此处我下载的是Python3.6版的。

bash Anaconda3-5.2.0-Linux-X86-64.sh

1、添加环境变量：

sudo gedit ~/.bashrc

在末尾加入：

export PATH="/home/zhangyunfeng/anaconda2/bin:$PATH"

更新一下环境变量：

source ./bashrc

最后使用命令看下有没有生效

conda list

2、设置Anaconda镜像源以减少等待时间。同样，我的镜像源是科大镜像。

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/

conda config --set show_channel_urls yes

五、安装TensorFlow

这里参考了https://www.cnblogs.com/Ph-one/p/9000211.html

将使用virualenv安装。首先安装libcupti-dev库。

sudo apt-get install libcupti-dev

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/extras/CUPTI/lib64

然后我们将安装virtualenv并创建一个Tensorflow Environment。

sudo apt-get install python3-pip python3-dev python-virtualenv

virtualenv --system-site-packages -p python3 tensorflow # create a enviroment named tensorflow

注意：在这一过程中可能会出现“setuptools pkg_resources pip wheel failed with error code 2”错误，导致虚拟环境创建不成功。

则使用：virtualenv --system-site-packages -p python3 tensorflow --no-setuptools

1、安装Tensorflow CPU版本

当环境创建好了，我们必须在每次使用tensorflow时激活它。首先按照推荐安装tensorflow cpu version。

source ~/tensorflow/bin/activate

pip3 install --upgrade tensorflow # install the cpu version

验证Tensorflow CPU版本

在同一个环境中，这意味着你会在你的shell中看到它。

(tensorflow)$

键入python和下面的python代码。

python

# Python

import tensorflow as tf

hello = tf.constant('Hello, TensorFlow!')

sess = tf.Session()

print(sess.run(hello))

这是我的结果。虽然它与官方验证结果不同，但是应该没问题。

>>> print(sess.run(hello))

b'Hello, TensorFlow!'

>>>

2、安装Tensorflow GPU版本

首先确保我们处于同一环境中

pip3 install --upgrade tensorflow-gpu

验证Tensorflow GPU版本

仍然确保你在Tensorflow Enviroment。

键入python和下面的python代码。

python

# Python

import tensorflow as tf

hello = tf.constant('Hello, TensorFlow!')

sess = tf.Session()

print(sess.run(hello))

结果是一样的。但是我们可以看到我们的GPU设备正在工作。可以在下的测试结果中看到自己的显卡型号。

六、安装Keras

Pip install keras

七、安装jupyter

pip3 install jupyter
jupyter notebook --generate-config

jupyter notebook

八、安装Pycharm专业破解版

我下载的是pycharm-professional-2018.1.4，破解补丁是JetbrainsCrack-2.8-release-enc.jar，找不到的童鞋可以留言，我发给你。

破解如下：

解压缩pycharm-professional-2018.1.4并放在Home下，将JetbrainsCrack-2.8-release-enc.jar也复制到Home下。
在pycharm的bin目录下找到pycharm.vmoptions和pycharm64.vmoptions，用gedit打开，均在末尾加-javaagent:/home/ctr/pycharm-2018.1.4/jetbrainsCrack-2.8-release-enc.jar
在bin目录运行命令sh ./pycharm.sh,选择激活码激活，输入一下激活码：

ThisCrackLicenseId-{

"licenseId":"11011",

"licenseeName":"微信公众号",

"assigneeName":"裸睡的猪",

"assigneeEmail":"[email protected]",

"licenseRestriction":"",

"checkConcurrentUse":false,

"products":[

{"code":"II","paidUpTo":"2099-12-31"},

{"code":"DM","paidUpTo":"2099-12-31"},

{"code":"AC","paidUpTo":"2099-12-31"},

{"code":"RS0","paidUpTo":"2099-12-31"},

{"code":"WS","paidUpTo":"2099-12-31"},

{"code":"DPN","paidUpTo":"2099-12-31"},

{"code":"RC","paidUpTo":"2099-12-31"},

{"code":"PS","paidUpTo":"2099-12-31"},

{"code":"DC","paidUpTo":"2099-12-31"},

{"code":"RM","paidUpTo":"2099-12-31"},

{"code":"CL","paidUpTo":"2099-12-31"},

{"code":"PC","paidUpTo":"2099-12-31"}

"hash":"2911276/0",

"gracePeriodDays":7,

"autoProlongated":false}

到期时间为2099年，基本为永久啦。这里参考了博客，在此感谢：

https://blog.csdn.net/u014044812/article/details/78727496。

九、安装pytorch-cpu

conda install pytorch -c soumith