参考链接：
https://blog.csdn.net/weixin_42176639/article/details/104488747
https://blog.csdn.net/insanegtp/article/details/108461944
一、关于计算机的硬件配置说明
推荐配置（该配置推荐为2018年左右信息，仅做参考）
如果您是高校学生或者高级研究人员，并且实验室或者个人资金充沛，建议您采用如下配置：
- 主板：X299型号或Z270型号
- CPU: i7-6950X或i7-7700K 及其以上高级型号
- 内存：品牌内存，总容量32G以上，根据主板组成4通道或8通道
- SSD： 品牌固态硬盘，容量256G以上
- 显卡：NVIDIA GTX TITAN(XP) NVIDIA GTX 1080ti、NVIDIA GTX TITAN、NVIDIA GTX 1080、NVIDIA GTX 1070、NVIDIA GTX 1060 (顺序为优先建议，并且建议同一显卡，可以根据主板插槽数量购买多块，例如X299型号主板最多可以采用×4的显卡)
- 电源：由主机机容量的确定，一般有显卡总容量后再加200W即可
二、显卡安装
deepin20上的NVIDIA 显卡安装详见其它文章
https://www.cnblogs.com/lantingg/p/14675564.html
三、CUDA10.1安装
1、查看最新或合适的tensorflow版本及其对应的各驱动组件匹配情况（显卡驱动、cuda、cudnn等）：
https://tensorflow.google.cn/install/gpu?hl=en
2、在NVIDIA官网查看cuda和显卡驱动版本对应关系（https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html）：
（如果做学习研究用，最好提前看好自己所用架构是否能支持所选cuda版本）
3、Cuda下载地址 （https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html）单击左侧Cuda版本，跳转后依次选择操作系统－计算机位数－系统型号－系统版本（选ubuntu版，cuda11可选择debian版）
4、安装，最终参考官网吧，一步一步来安装说明
（不同版本官网说明不同，自行查找）
查看GPU信息：lspci | grep -i nvidia
查看系统信息：uname -m && cat /etc/*release
查看GCC信息：gcc --version
打开终端，在数据盘新建cuda安装文件夹
mkdir /media/xingzhi/BigData/apps/cuda_10.1
进入cuda安装文件所在目录
cd /media/xingzhi/MyFiles/software/nvidia
直接运行下载的.run文件安装即可（该步很重要，需谨慎，否则容易报错）
sudo ./cuda_10.1.105_418.39_linux --silent --toolkit --toolkitpath=/media/xingzhi/BigData/apps/cuda_10.1 --defaultroot=/media/xingzhi/BigData/apps/cuda_10.1 --samples --samplespath=/media/xingzhi/BigData/apps/cuda_10.1
继续
输入accept回车
取消掉Driver的勾选，安装其他的，Install回车，稍等安装结果如下（类似）：
建立软连接
sudo ln -s /media/xingzhi/BigData/apps/cuda_10.1 /usr/local
添加环境变量
sudo vim /etc/profile
在配置文件底部加入：
export CUDA_HOME=/usr/local/cuda_10.1
export PATH=/usr/local/cuda_10.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda_10.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
然后source环境变量并重启系统
source /etc/profile
reboot
验证是否正确安装。进入实例目录
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
执行：sudo make
sudo ./deviceQuery
到此cuda安装完毕。
四、cudnn下载与安装
1.下载地址官网（https://developer.nvidia.com/rdp/cudnn-download）
需要注册账号后登录，才可以下载（可在网上相应百度网盘下载源，一般要收费）
在此提供本人分享的资源：（链接: https://pan.baidu.com/s/17G5UuOTm3ufM_FiC58fqhw 密码: fjpi）
下载完成后，逐条执行一下命令（解压－复制文件到制定目录）：
tar -zxvf cudnn-10.1-linux-x64-v7.6.5.32.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 /usr/local/cuda/lib64/libcudnn*
进行验证，执行cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
出现以上结果则表示cudnn安装正确。
如需卸载，删除复制的文件即可，命令如下，命令一定要小心谨慎使用：
sudo rm -rf /media/xingzhi/BigData/apps/cuda_10.1/lib64/libcudnn*
sudo rm -rf /media/xingzhi/BigData/apps/cuda_10.1/include/cudnn.h
到此cudnn安装完毕
五、安装tensorflow
1、pypi网站（https://pypi.org/project/tensorflow/2.3.2/#files）下载对应版本的包
2、安装
pip install tensorflow-2.3.2-cp37-cp37m-manylinux2010_x86_64.whl
六、深度学习验证GPU使用效果（tensorflow版本大于等于2.0）
1、
# import tensorflow as tf
# tf.test.is_gpu_available() # 返回 True
# images = np.random.randn(1, 100, 100, 3)
# filters = np.zeros((1, 3, 3, 3))
# output = tf.nn.conv2d(images, filters, 2, padding='SAME') 
2、
nvidia-smi
以上两种方法皆说明tensorflow调用GPU加速计算成功。
谨此以飨读者。祝大家学习快乐。
谢谢。