Ubuntu18.04发行已经有一段时间了，正好最近Tensorflow也发布了1.8版本，于是决定两个一起装上，以下是安装总结，大致可
以分为5个步骤
- 确认当前软件和硬件环境、版本
- 更新显卡驱动，软件版本准备
- CUDA 9.0 ToolKit安装
- cuDNN7.1.3 for CUDA9.0安装
- TensorFlow GPU 安装
- Test it!
1.确认硬件软件环境、版本
系统版本，Ubuntu18.04 自然没什么好说的， 使用指令sudo lsb_release -a ，得到以下输出结果
GCC和G++ 版本，18.04的ubuntu默认的是7.0，同时也有附带安装6.0，不过我们这次安装需要更低版本的GCC以及G++
gcc --version #查看GCC版本号 gcc (Ubuntu 7.0 -4ubuntu8) 7.0
g++ --version #查看G++版本号 g++ (Ubuntu 7.0-4ubuntu8) 7.0我选择采用的是4.8版本gcc和g++，后面给出降级方法。
英伟达显卡驱动版本， 使用nvidia-smi 可以得到相关信息，我使用的是GTX1080显卡，驱动已经更新到390.48版本。
表头释义：
Fan：显示风扇转速，数值在0到100%之间，是计算机的期望转速，如果计算机不是通过风扇冷却或者风扇坏了，显示出来就是N/A；
Temp：显卡内部的温度，单位是摄氏度；
Perf：表征性能状态，从P0到P12，P0表示最大性能，P12表示状态最小性能；
Pwr：能耗表示；
Bus-Id：涉及GPU总线的相关信息；
Disp.A：是Display Active的意思，表示GPU的显示是否初始化；
Memory Usage：显存的使用率；
Volatile GPU-Util：浮动的GPU利用率；
Compute M：计算模式；
Python 版本， 使用python -V 查看相关信息。
2.更新显卡驱动，软件版本准备
主要是更新显卡驱动，以及降级默认GCC/G++版本.
如果是已经装过NVIDIA显卡驱动，通过以下指令升级
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update
sudo apt install nvidia-390如果有NVIDIA显卡，但是没有安装过显卡相应驱动，CUDA Toolkit中会有集成的384版本驱动，需要关闭图形界面到指令行界面
安装，相关方法请上网查找。
GCC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-7.0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++-7.0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 48.8安装成功。
3.CUDA ToolKit 安装
CUDA 到CUDA9.0 下载页面下载runfile(最近NVIDIA官网被停)安装，Tensorflow官网给的暂时还是9.0版本,新版本可以尝试一下
稳妥起见，这里选择9.0。
下载9.0安装包和2个补丁包之后，
～/下载 文件夹应该有 以下三个文件
ls |grep cuda_9.0
cuda_9.0.176.1_linux.run
cuda_9.0.176.2_linux.run
cuda_9.0.176_384.81_linux.run
在确认GCC版本在4.8后， 直接输入以下指令
sh cuda_9.0.176_384.81_linux.run --override执行，如果有安装了显卡驱动的，注意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。 如果没有安装显卡
驱动，需要退出图形界面，到命令行终端安装，这里不再赘述。
安装完成后，可能会得到提示，CUDA 安装不完整，这是因为显卡驱动没有安装，这里忽略掉。同样的方法安装两个补丁包.
sh cuda_9.0.176.1_linux.run
sh cuda_9.0.176.2_linux.run安装完毕之后，将以下两条加入.bashrc文件中
echo 'export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc
source ~/.bashrc
4.cuDNN7.1.3安装
cuDNN 到 cuDNN 官网页面下载即可，这里注意要选择对应CUDA9.0的软件包， 下载完毕后，切到默认的Downloads文件夹，
可以看到 cudnn-9.0-linux-x64-v7.1.tgz 压缩包
先解压，后复制到CUDA安装文件夹里面
tar zxvf cudnn-9.0-linux-x64-v7.1.tgzsudo 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 /usr/local/cuda/lib64/libcudnn*完成后，可以到～/NVIDIA_CUDA-9.0_Samples/文件夹下测试CUDA功能完整性
cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery
5.Tensorflow 安装
这里选择的是在本机上安装Tensorflow，其他安装方式可以参照官网介绍。
pip install tensorflow-gpu默认安装最新版本1.8，如果要安装教老版本， 上述指令后面加上==$版本号 即可。
6.验证测试
在python3 中输入以下代码
# -*- coding: utf-8 -*-
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
a = tf.constant([1.0,2.0],shape=[2],name='a')
b = tf.constant([2.0,3.0],shape=[2],name='b')
result = a+b
print(result)
print(a.graph is tf.get_default_graph)
sess = tf.Session()
print(sess.run(result))
print(result)
g = tf.Graph()
with g.device('gpu:0'):
result = a+b
print(sess.run(result))
输出结果应该是 :
并且附带上GPU相关信息。
至此安装过程全部完成。
在终端执行程序时指定GPU
CUDA_VISIBLE_DEVICES=1 python your_file.py这样在跑你的网络之前，告诉程序只能看到1号GPU，其他的GPU它不可见
可用的形式如下：
CUDA_VISIBLE_DEVICES=1 Only device 1 will be seen
CUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will be visible
CUDA_VISIBLE_DEVICES="0,1" Same as above, quotation marks are optional
CUDA_VISIBLE_DEVICES=0,2,3 Devices 0, 2, 3 will be visible; device 1 is masked
CUDA_VISIBLE_DEVICES="" No GPU will be visible
在Python代码中指定GPU
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"设置定量的GPU使用量
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.9 # 占用GPU90%的显存
session = tf.Session(config=config)设置最小的GPU使用量
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)