1、安装linux系统，在linux系统跑python、c等项目（可以在一个服务器的集群或一台机器上对模型训练）
2、安装TensorFlow
a、此外Python版TensorFlow也可以使用Docker安装
docker pull tensorflow/tensorflow:latest # 可用的tag包括latest、nightly、version等 # docker镜像文件：https://hub.docker.com/r/tensorflow/tensorflow/tags/ docker run -it -p 8888:8888 tensorflow/tensorflow:latest # dock下运行jupyter notebook docker run -it tensorflow/tensorflow bash # 启用编译了tensorflow的bash环境
b、c语言安装
TensorFlow提供C语言下的API用于构建其它语言的API，支持x86-64下的Linux类系统和macOS 10.12.6 Sierra或其更高版本，macOS版不包含GPU加速 [9] 。安装过程如下 [9] ： 下载TensorFlow预编译的C文件到本地系统路径（通常为/usr/local/lib）并解压缩。 sudo tar -xz libtensorflow.tar.gz -C /usr/local 使用ldconfig编译链接 sudo ldconfig 此外用户也可在其它路径解压文件并手动编译链接。 # Linux export LIBRARY_PATH=$LIBRARY_PATH:~/mydir/lib export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:~/mydir/lib # MacOS export LIBRARY_PATH=$LIBRARY_PATH:~/mydir/lib export DYLD_LIBRARY_PATH=$DYLD_LIBRARY_PATH:~/mydir/lib 编译C接口时需确保本地的C编译器（例如gcc）能够访问TensorFlow库 [9] 。
3、配置GPU
TensorFlow支持在Linux和Window系统下使用统一计算架构（Compute Unified Device Architecture, CUDA）高于3.5的NVIDIA GPU [10-11] 。配置GPU时要求系统有NVIDIA GPU驱动384.x及以上版本、CUDA Toolkit和CUPTI（CUDA Profiling Tools Interface）9.0版本、cuDNN SDK7.2以上版本。可选配置包括NCCL 2.2用于多GPU支持、TensorRT 4.0用于TensorFlow模型优化 [10] 。 在Linux下配置GPU时，将CUDA Toolkit和CUPTI的路径加入$LD_LIBRARY_PATH环境变量即可。对于CUDA为3.0或其它版本的NVIDIA程序，需要从源文件编译TensorFlow [10] 。对Windows下的GPU配置，需要将CUDA、CUPTI和cuDNN的安装路径加入%PATH%环境变量，在DOS终端有如下操作 [10] ： C:\> SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin;%PATH% C:\> SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\CUPTI\libx64;%PATH% C:\> SET PATH=C:\tools\cuda\bin;%PATH% Linux系统下使用docker安装的Python版TensorFlow也可配置GPU加速且无需CUDA Toolkit [8] ： # 确认GPU状态 lspci | grep -i nvidia # 导入GPU加速的TensorFlow镜像文件 docker pull tensorflow/tensorflow:latest-gpu # 验证安装 docker run --runtime=nvidia --rm nvidia/cuda nvidia-smi # 启用bash环境 docker run --runtime=nvidia -it tensorflow/tensorflow:latest-gpu bash
在ieee、github或cvpr上找到相关源码，然后自己可以调参：
github：
TensorFlow、Torch
cuda
神经网络：
CNN（最简单）、SFN