RTX 2070 同样可以在 ubuntu 16.04 + cuda 9.0中使用。Ubuntu18.04可能只支持cuda10.0，在跑开源代码时可能会报一些奇怪的错误，所以建议大家配置 ubuntu16.04 + cuda 9.0。下文还是以ubuntu18.04 + cuda 10.0为例。ubuntu16.04 + cuda 9.0的配置方法大同小异。
如果之前安装的是cuda9.0可以直接用pip安装Tensorflow-GPU，只需要安装Anaconda，virtualenv, CUDA, cuDNN, 之后pip安装tensorflow-gpu；
如果安装的其他版本的CUDA，需要用源码安装，需要将下面的1,2,3,4，(5可选)，之后用源码安装tensorflow-gpu, 并在configure时，根据自己的安装1,2,3,4,5的安装版本等情况自行调整配置选项。
虽然CUDA官网中没有RTX20系列GPU所对应的版本，但是CUDA 10.0 支持Ubuntu18.04 + GPU GEFORCE RTX 2070。为了方便之后学习研究，需要配置：
- Anaconda3 5.2.0
- CUDA 10.0
- cuDNN 7.4.1
- Bazel 0.17
- TensorRT 5
- Tensorflow-gpu
（以下为本人配置方法，由于配置过程中有过错误并重试等情况，以下内容如有错误还请指正~）
（上面列出的各版本都是支持ubuntu18.04 和 RTX 2070的，大家也可以直接参照以上列表，自行安装~）
（安装NVIDIA驱动的方法参考：https://blog.csdn.net/ghw15221836342/article/details/79571559 方法一中，把390替换为410即为RTX 2070 对应版本。）
----------------------------------------------------------------------------------
Ubuntu 18 安装Anaconda3 - 5.2.0
因为tensorflow支持python3.4, 3.5, 3.6,可能还未支持python3.7（python目前最高版本3.7.1 与anaconda3 对应最高python版本3.7.0），为了方便起见，选择安装Anaconda3 - 5.2.0，其对应的python版本为3.6.4. 安装了Anaconda之后，不需要再单独安装python及其各种库了。
anaconda各版本的archive:
https://repo.anaconda.com/archive/
选择下载 Anaconda3-5.2.0-Linux-x86_64.sh
之后到下载目录，
bash Anaconda3-5.2.0-Linux-x86_64.sh
可以通过查看
python --version
显示
Python 3.6.5 :: Anaconda, Inc.
表示安装成功。
查看pip版本：
$ pip --version pip 10.0.1 from /home/lsy/anaconda3/lib/python3.6/site-packages/pip (python 3.6)
--------------（若完成以上，则无需进行下面的安装python的操作了）--------------------------------------------
Ubuntu 18 安装 python 3.6
sudo add-apt-repository ppa:jonathonf/python-3.6
Ubuntu 18 安装 python3.7.1
安装过程参考：
https://blog.csdn.net/jaket5219999/article/details/80894517
wget https://www.python.org/ftp/python/3.7.1/Python-3.7.1.tar.xz && tar -xvf Python-3.7.1.tar.xz && cd Python-3.7.1 && ./configure && make && sudo make altinstall
从官网下载https://www.python.org/downloads/release/python-370/
解压并打开指定目录
./configure && make && sudo make altinstall
报错 zipimport.ZipImportError: can‘t decompress data; zlib not available
解决方法：
sudo apt-get install -y make build-essential libssl-dev zlib1g-dev libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm libncurses5-dev libncursesw5-dev xz-utils tk-dev
python2,python3版本切换
# 实现 python 链接 python3.6 rm /usr/bin/python ln -s /usr/bin/python3.6 /usr/bin/python # 实现 python2 链接 Python2.7 rm /usr/bin/python2 ln -s /usr/bin/python2.7 /usr/bin/python2 # 创建 alias alias python='/usr/bin/python3.6' ~/.bash_aliases
pip安装
sudo apt-get install python3-pip
这里要用python3，否则匹配的是默认的python2。
--------------------------------------------------------------------------------------------------------------------------------
CUDA 10.0
参考：
1. 下载CUDA Toolkit : Linux / x86_64 / Ubuntu / 18.04 /deb (local)
https://developer.nvidia.com/cuda-downloads
2. 安装
sudo dpkg -i cuda-repo-ubuntu1804–10–0-local-10.0.130–410.48_1.0–1_amd64.deb sudo apt-key add /var/cuda-repo-10–0-local-10.0.130–410.48/7fa2af80.pub sudo apt-get update sudo apt-get install cuda
3. 添加环境变量
nano ~/.bashrc
末行添加并保存退出。
export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
4. 检查驱动版本和CUDA toolkit
cat /proc/driver/nvidia/version nvcc -V
5. (Optional) Build CUDA samples and run it.
cd /usr/local/cuda-10.0/samples sudo make
这需要等一段时间。完成后，可以进入资源中，执行命令查看结果。
cd /usr/local/cuda-10.0/samples/bin/x86_64/linux/release ./deviceQuery ./bandwidthTest
------------------------------------------------------------------
cuDNN v7.4.1 for CUDA 10.0
https://developer.nvidia.com/rdp/cudnn-download
（下载前需要在NVIDIA注册账号：https://developer.nvidia.com/）
2. 解压下载好的文件，解压后cuDNN的文件夹名称为cuda
3. 将cuDNN内容复制到CUDA安装文件中，即将cuDNN解压后的cuda文件中内容复制到/usr/local的CUDA中。
$ 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*
（该方法参考：https://blog.csdn.net/u010801439/article/details/80483036）
------------------------------------------------------------------------
NCCL v2.3.7
只有需要用源码安装tensorflow时才需要装这个哦～用pip的可以跳过
安装方法参考：https://blog.csdn.net/zuyuhuo6777/article/details/81450258
1. 下载
https://developer.nvidia.com/nccl/nccl-download
选择Local installers (x86)中的Local installer for Ubuntu 18.04
2. 安装
进入下载目录，安装本地NCCL存储库，更新APY数据库，安装libnccl2与APT打包。此外，若需要使用NCCL编译应用程序，则可以安装libnccl-dev的包裹。
$ sudo dpkg -i nccl-repo-ubuntu1804-2.3.7-ga-cuda10.0_1-1_amd64.deb $ sudo apt update $ sudo apt install libnccl2 libnccl-dev
------------------------------------------------------------------------
方便起见，请直接下载Bazel 0.17
（早先安装了0.19，--config == cuda 并不支持0.17以上版本，不清楚使用0.19对后续步骤有无影响，所以，卸载了0.19，重新安装了0.17。卸载方法：whereis bazel,找到bazel目录，直接rm -rf <path>即可。）
Bazel 0.19.2
只有需要用源码安装tensorflow时才需要装这个哦～用pip的可以跳过
官网提供了多种安装方法，
https://docs.bazel.build/versions/master/install-ubuntu.html#install-with-installer-ubuntu
以下使用了Installing using binary installer的方法。
1. 下载需要的包
$ sudo apt-get install pkg-config zip g++ zlib1g-dev unzip python
2. 下载Bazel
https://github.com/bazelbuild/bazel/releases
选择安装了bazel-0.19.2-installer-linux-x86_64.sh
3. Run the installer
$ chmod +x bazel-<version>-installer-linux-x86_64.sh $ ./bazel-<version>-installer-linux-x86_64.sh --user
4. 设置环境
$ nano ~/.bashrc
末行添加并保存退出
export PATH="$PATH:$HOME/bin"
执行以生效：
$ source ~/.bashrc
5. 检查是否安装成功
$ bazel version
--------------------------------------------
TensotRT 5.0.2.6
只有需要用源码安装tensorflow时才需要装这个哦～用pip的可以跳过。用源码安装，该项也可以不装，看自己需求。如果安装，在源码编译，configure时记得选择和自己安装匹配的选项哦～
for Ubuntu 1804 and CUDA 10.0
1. 下载
https://developer.nvidia.com/nvidia-tensorrt-5x-download
选择了Debian and RPM Install Package:
TensorRT 5.0.2.6 GA for Ubuntu 1804 and CUDA 10.0 DEB local repo packages
2. 安装，参考官方文档：
https://docs.nvidia.com/deeplearning/sdk/tensorrt-install-guide/index.html#downloading
$ sudo dpkg -i nv-tensorrt-repo-ubuntu1804-cuda10.0-trt5.0.2.6-ga-20181009_1-1_amd64.deb $ sudo apt-key add /var/nv-tensorrt-repo-cuda10.0-trt5.0.2.6-ga-20181009/7fa2af80.pub $ sudo apt-get update $ sudo apt-get install tensorrt
之前Anaconda3 中python是3.6版本，下面直接写python就好，不用改为python3.
$ sudo apt-get install python-libnvinfer-dev
安装后显示：
Setting up python-libnvinfer-dev (5.0.2-1+cuda10.0) ...
若计划通过tensorflow使用tensorRT
$ sudo apt-get install uff-converter-tf
安装后显示：
Setting up graphsurgeon-tf (5.0.2-1+cuda10.0) ... Setting up uff-converter-tf (5.0.2-1+cuda10.0) ...
3. 检查我们的安装结果：
$ dpkg -l | grep TensorRT ii graphsurgeon-tf 5.0.2-1+cuda10.0 amd64 GraphSurgeon for TensorRT package ii libnvinfer-dev 5.0.2-1+cuda10.0 amd64 TensorRT development libraries and headers ii libnvinfer-samples 5.0.2-1+cuda10.0 all TensorRT samples and documentation ii libnvinfer5 5.0.2-1+cuda10.0 amd64 TensorRT runtime libraries ii python-libnvinfer 5.0.2-1+cuda10.0 amd64 Python bindings for TensorRT ii python-libnvinfer-dev 5.0.2-1+cuda10.0 amd64 Python development package for TensorRT ii tensorrt 5.0.2.6-1+cuda10.0 amd64 Meta package of TensorRT ii uff-converter-tf 5.0.2-1+cuda10.0 amd64 UFF converter for TensorRT package
--------------------------------------------------------
Tensorflow
推荐两种安装方式：1.在docker中安装；2. 在virtualenv中安装。一般2用的多一些。
（1）docker中：
1. Docker的安装：
https://www.digitalocean.com/community/tutorials/how-to-install-and-use-docker-on-ubuntu-18-04
2. Install nvidia-docker：
https://github.com/NVIDIA/nvidia-docker
3. Downloads TensorFlow release images to your machine:
$ docker pull tensorflow/tensorflow:latest-devel-gpu
（2）virtualenv中：
sudo apt update
sudo apt install python-dev python-pip
sudo pip install -U virtualenv # system-wide install
virtualenv --system-site-packages -p python3 ./venv
source ./venv/bin/activate
(venv) $ pip install --upgrade pip (venv) $ pip list
在(venv)中继续安装tensorflow.
(1) Installed by pip: 如果之前安装的是cuda9.0可以直接用pip安装，否则，需要用源码安装，见(2)
pip install tensorflow-gpu==1.12
ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory
Solution: add the following to .bashrc
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64/(2) Else: Build from source
这里注意./configure时候，默认cuda版本是9.0，我们改为 10.0.
安装完毕后可以退出venv:
(venv) $ deactivate # don't exit until you're done using TensorFlow
------------------------------------------------------------------------------
测试tensorflow-gpu在docker中是否能顺利运行：
$ sudo docker run --runtime=nvidia -it --rm tensorflow/tensorflow:latest-gpu > python -c "import tensorflow as tf; tf.enable_eager_execution(); print(tf.reduce_sum(tf.random_normal([1000, 1000])))" [sudo] password for lsy: Unable to find image 'tensorflow/tensorflow:latest-gpu' locally latest-gpu: Pulling from tensorflow/tensorflow 18d680d61657: Already exists 0addb6fece63: Already exists 78e58219b215: Already exists eb6959a66df2: Already exists e3eb30fe4844: Already exists 852c9b7a4425: Already exists 0a298bf31111: Already exists 4b34ad03a386: Pull complete ea4e8d636cf7: Pull complete e641906af026: Pull complete af41a77e326c: Pull complete 56234dc44f16: Pull complete 33999852f515: Pull complete 11679b84da5e: Pull complete 231eb8ba046b: Pull complete 7d894676fbc1: Pull complete Digest: sha256:847690afb29977920dbdbcf64a8669a2aaa0a202844fe80ea5cb524ede9f0a0b Status: Downloaded newer image for tensorflow/tensorflow:latest-gpu 2018-11-26 05:48:05.315151: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA 2018-11-26 05:48:05.490068: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:964] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero 2018-11-26 05:48:05.490510: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties: name: GeForce RTX 2070 major: 7 minor: 5 memoryClockRate(GHz): 1.725 pciBusID: 0000:01:00.0 totalMemory: 7.76GiB freeMemory: 7.09GiB 2018-11-26 05:48:05.490528: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1511] Adding visible gpu devices: 0 2018-11-26 05:48:05.727215: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix: 2018-11-26 05:48:05.727251: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988] 0 2018-11-26 05:48:05.727257: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0: N 2018-11-26 05:48:05.727423: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 6817 MB memory) -> physical GPU (device: 0, name: GeForce RTX 2070, pci bus id: 0000:01:00.0, compute capability: 7.5) tf.Tensor(-568.0144, shape=(), dtype=float32)
---------------------------------------------------------
=======================================
[支付宝] 您愿意送我一个小礼物吗？O(∩_∩)O