全文转自：https://zhuanlan.zhihu.com/p/50449900

0. 我们开始吧

先更新一下系统：

sudo apt-get update
sudo apt-get upgrade

1. 安装显卡驱动

如果你用的是 Ubuntu 桌面版（即带图形化界面），那么去 Nvidia 官网下载驱动就是你遇到的第一个陷阱。当你试图安装时，系统会报错说你该关闭 X window 或者降低系统的 run level。大意就是在安装显卡驱动前，你得先关停系统的图形化界面。

1.1. 如果你用的是 Ubuntu 桌面版

那么用 apt-get 安装驱动最简单，但你需要点耐心，因为驱动下载的速度比较慢。

添加开源显驱仓库

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

安装一些依赖

sudo apt-get install dkms synaptic build-essential

打开系统的 Software & Update 工具，选择 Additional Drivers，此时你会看到可以下载的显卡驱动。

驱动安装完成后，根据提示重启电脑即可。

1.2. 如果你用的是 Ubuntu 服务器版

1. 从官网下载显卡的最新驱动版本。
2. cd 到驱动安装包所在的目录并用 sh NVIDIA-Linux-x86_64-version.run 运行安装包，注意把version替换成你下载的驱动版本号。
3. 用 sudo reboot 重启电脑后，驱动就安装完成了。

1.3. 检查驱动是否安装成功

在命令行输入 nvidia-smi ，看到显卡当前的状态例如温度、显存占用情况等，说明驱动安装成功了。

顺便说个小技巧，如果你在跑模型时想监控显卡的温度，也可以用这个命令：

watch -n 1 nvidia-smi # 1表示每1秒刷新一次

1.4. 不要自行安装CUDA和cuDNN

除非你打算安装CUDA 10.0并自行编译 TensorFlow 或 PyTorch ，否则不要自行安装 CUDA 和 cuDNN！因为版本兼容问题是个大坑，而网上很多教程却避而不谈。其实最简单稳妥的办法就是通过 Anaconda 安装 TensorFlow ，让它来安装正确的依赖 —— 例如 CUDA 和 cuDNN。

2. 安装 Anaconda

Anaconda 是数据科学家的必备神器，而我们使用它安装 TensorFlow 的原因是：

1. 自动安装正确版本的依赖；
2. 环境管理 —— PyTorch 和 TensorFlow 依赖的CUDA版本不一致也没关系；
3. 这个安装方法太简单了！

首先下载 Anaconda。目前官方默认提供 Python 3.7 版的安装包，但由于 TensorFlow 目前还不支持 Python 3.7 ，所以你有两个选择：

1. 如果你熟悉Anaconda，可以在安装Python 3.7版的Anaconda后，创建一个Python 3.6的环境。
2. 或者直接下载Anaconda Python 3.6版。64位的Linux系统应该下载“Anaconda3-5.2.0-Linux-x86_64.sh”。

然后安装 Anaconda：

bash ~/Downloads/Anaconda3-5.3.0-Linux-x86_64.sh #如果你下载的是3.7版
bash ~/Downloads/Anaconda3-5.2.0-Linux-x86_64.sh #如果你下载的是 3.6版

3. 通过 Anaconda 安装 TensorFlow

安装好 Anaconda 之后，我们先为 TensorFlow 创建一个新的环境：

# 如果你安装的是 Python 3.6 版的Anaconda:
conda create --name tf_gpu_env tensorflow-gpu # tf_gpu_env是这个环境的名字# 如果你安装的是 Python 3.7 版的Anaconda，则需要声明新创建的环境使用 Python 3.6:
conda create --name tf_gpu_env python=3.6 anaconda tensorflow-gpu

Anaconda 会自动安装 TensorFlow 所需依赖，包含正确版本的 CUDA 和 cuDNN。安装完成后，我们启动这个环境：

source activate tf_gpu_env

运行 jupyter notebook 欢快地跑起模型来吧！

别忘了每次开机后都要手动启动这个环境哦，如果你想退出当前环境，只需：

source deactivate

4. 生命像海浪一样有时高有时低

即使你完全按照官方文档和教程去做，意外还是时有发生。如果你在 Jupyter Notebook 引入TensorFlow 时引起报错 `No module named 'tensorflow' ` ：

我们来逐步排查原因，首先关闭 Jupyter Notebook，直接在 tf_gpu_env 的环境中进行以下操作。

4.1. 排除 Jupyter Notebook 的嫌疑

启动 python

python

然后

import tensorflow

如果没有问题，那么说明是 Jupyter Notebook 的问题。这通常是因为 Jupyter Notebook 没有读取到正确的环境路径。退出 python 后，在当前环境下重装 Jupyter Notebook 就好了。

conda install jupyter notebook

4.2. 如果在 python 命令行中就无法引入 TensorFlow

这可能是因为你曾经用 pip 安装过 TensorFlow 导致的，解决方法是在当前环境中强行重装 TensorFlow：

pip install --ignore-installed tensorflow-gpu

5. 远程运行 Jupyter Notebook（可选，但超有用）

最后，分享一个很酷的小技巧。你已经搭建好一台高性能的深度学习PC了，但如果你已经习惯了自己的笔记本电脑，希望继续在上面做开发怎么办？

你可以将这台PC看作远端服务器，然后把笔记本的8888端口（Jupyter Notebook默认端口）转发到服务器的8888端口。这样一来，你就能直接在笔记本上访问 http://localhost:8888 使用运行在服务器上的 Jupyter Notebook。具体方法是：

先用笔记本SSH上服务器：

$笔记本: ssh <username>@<ServerIP> # 这里填上服务器的内网IP

接着在服务器启动 Jupyter Notebook：

$服务器: source activate tf_gpu_env # 别忘了启动Anaconda的环境
$服务器: jupyter notebook

然后在笔记本的终端上新开一个tab，设置端口转发：

$笔记本: ssh -NL 8888:localhost:8888 <username>@<ServerIP>

现在打开笔记本的浏览器，访问 http://localhost:8888 即可访问运行在服务器上的 Jupyter Notebook 了！

你还可以拔掉PC上的视频线，Ubuntu 将不会启动图形化界面，这能节省下大约8%~10%的显存，从而把显存全用在跑模型上。