深度学习的显卡环境配置是一个非常麻烦的问题，理论上这是一个深度学习开发必须要面临的问题，那么教程就应该很多，后人学习起来的时候应该会很容易，实际上却是教程良莠不齐，而且很多教程往往是针对特定显卡的，但是这个和作者无关，只是说随着显卡更新换代，之前的很多教程其实就是无法使用了。在这里笔者通过帮室友配置gtx1660ti和自己配置教研室1050ti所遇到的完全不一样的问题做出记录个解决，基本能够解决绝大部分问题。
教程会完成驱动安装，conda安装，cuda，cudnn安装以及相应的虚拟环境环境配置，直到最后测试成功调用GPU，考虑到可操作性，教程尽量以多图方式展示,或者就是解释性良好的参考资料。
教程的目标是完成是在各个装完ubuntu系统之后的深度学习环境配置。安装顺序如下：安装显卡驱动
安装conda(本教程不会介绍具体过程)
安装cuda
安装cudnn
创建虚拟环境，配置TensorFlow和pytorch的深度学习环境
驱动安装
划重点在安装好ubuntu系统后，首先第一步先装显卡驱动！先装显卡驱动！！先装显卡驱动！！！，重要的事情说三遍，有些电脑是不装驱动就不能用，自己肯定会先装驱动，但是有些电脑是不装驱动也照样用的好好的，可能最后才来弄自己的显卡驱动，但是装驱动坑太多，很容易开机之后无法登陆，最后只能重装系统，这样之前的工作就算是白费了。不要问我为什么知道，，，
快速安装一般早些的显卡版本，比如像是我教研室的1050ti，就可以可以参见命令教程中的第一种方式快速安装，简单到超乎你想象。当然其他版本也可以试一下第一种方法安装，反正这个方法没有副作用，成功了就万事大吉，不成功也是情理之中。像我室友的1660ti就没成功。切记，如果这个能成功，就不要想着去自己尝试装驱动，如果想尝试，请做好重装系统的准备
如果没法通过上面方法安装的，就可以考虑自己安装了。上面的不行，其他的的什么从software上安装的方式基本也不行。至于自己安装驱动的过程，不推荐上面教程的方法，至于原因，嗯，反正我是没有成功。
手动安装手动安装可以参见这个手动安装教程快速安装。
一般说要先把电脑安全启动改成disable，不过也可以先尝试，因为我室友的就是默认disable好像，而且这一步先尝试也没什么副作用，如果没有disable顶多就是失败报错而已小声比比，而且其实虽然很多教程，甚至视频都成功的disable了这个选项，但是我照着做的时候就是找不到Clear Secure Boot keys，这个选项，所以硬是没有成功。不过还是成功安装了。
就好像前面快速安装显卡驱动的教程一样，对于室友的1660ti就是不行，至于为什么，这背后的玄学还没弄明白。不过幸运的是我可以直接用命令安装驱动，嗯哼。
如果直接不行就可以参照disable安全启动教程尝试解决这个问题
conda安装
安装完驱动之后优先安装conda，反正最后都要安装的。至于为甚，嗯，因为我曾经遇到过后来安装conda然后把linux下的bashrc文档弄坏了。在把conda路径加到系统路径后就这样了。导致所有命令都不能用，吓得以为又要重装系统，最后还是在命令目录下恢复了文档才解决了问题
conda的安装还是很简单的，在之前的conda安装教程也有说到过
cuda和cudnn安装
版本问题众所周知，cuda和cudnn以及使用的TensorFlow是有版本对应的，而pytorch不是这样的，一是在安装pytorch的时候，可以指定cuda版本安装，如果直接pip安装，好像也会直接适配你安装好的cuda，也就是你不用担心pytorch安装的时候和你的cuda不匹配。是不是真的适配，也不清楚，反正每次pip直接安装的时候没啥事。
一般而言，现在都会选择cuda9.0的版本的，要求是9的时候，就不要想着去尝试9.2这样的，直接选9就好了，不然会遇到什么坑下面会有介绍
cuda一般选9.0是没问题，但是cudnn本身也有版本，但是网上的很多教程基本都不会在意cudnn小版本的问题，就是cudnn7.x.x好像和tensorflow还有对应关系，比如下面教程介绍conda环境，尝试的时候会发现不同tensorflow自动匹配安装的cudnn的版本是不一样的。不过一般装7.1.x都不会有问题，更新时间在，tensorflow绝大部分的版本更新都是在这一年。我们最后选择的cudnn7.1.5.
其次如果安装错了，也没什么，反正，这个的删除和安装很方便
而且也许有着cudnn本身有着向下兼容性。因为后面装过很多版本的tensorflow都可以用。
总的来说，为了安全可以装7.1.5(如果你看到这个教程的时候已经是很以后了，那么就不用看这个了，没有参考价值)，尝试一下也可以直接装最新的
除了这些对应关系，注意cuda和显卡驱动版本还有对应关系！所以不是说cuda装什么都可以的，是显卡驱动限制了你的cuda版本，限制了你最高能用到几的tensorflow。
关于conda安装如果大家查了很多教程，会发现，conda配置pytorch或者tesorflow-gpu的环境的时候会自动根据要安装的版本，自己安装cuda和cudnn，所以其实可以说不用自己安装。理论上这么方便，我干嘛还要自己安装。事情当然没这么简单首先就是一般还是推荐安装cuda9.0，但是如果conda自己安装的时候往往会给你匹配到cuda8.0或者cuda9.2这种神奇的版本。
版本不对就算了，既然conda这么安装了，那么我肯定能调用啊。但是事情没这么简单，还真是就不可以。会提升找不到9.0的cuda版本的文档，具体如下：
其次conda装cuda的时候，可不管你的驱动版本，只看pytorch和tensorflow的版本，但是事实的真相是cuda版本和NVIDIA驱动版本还有一个驱动对应关系。比如我390的驱动，但是conda自动给我装了一个cuda9.2，而cuda9.2对应的驱动版本需要》=396.46，我还能怎样。
所以还是推荐自己安装，自己安装之后，就算你后面再用conda的自动安装也可以，如果不行，把自己安装好的文档，支付粘贴复制过去妥妥的，也能用。
快速安装在1sudo sh cuda_9.0.176_384.81_linux.run
中会有很多选项，其中有一个是否安装显卡驱动，因为之前以前安装过了，所以拒绝就可以，然后其他都接受就行了不要想着说那我这时候再来装驱动不就行了，一般这样最后都会卡死，我最开始就试过这样，所以大家还是好好按照顺序来
环境配置到这里，可能是终于结束了，有可能还是一样会失败，虽然我觉得这个教程我照着做了很多次都成功了，但是真的指不定到你们电脑上真的不行。嗯哼。
环境的配置不建议直接在base环境下面配置，这样万一弄坏了修复还是很麻烦的，但是虚拟环境就随便你玩了
注意之前提到的，不建议使用conda install 安装环境当然，你也可以这样尝试，反正时间开销也不大，不能用卸载了就可以
pytorch环境配置相对配置简单一些，创建虚拟环境之后，直接参见之前的安装教程安装就好了
测试命令：1
2
3import torch
print(torch.cuda.is_available())
如果返回True就成功了
如果不不行，这个问题可就多了，需要具体问题具体分析了，因为我这里是一步成功，所以可能暂时没有什么反面教材
tensorflow环境配置安装命令1pip3 install tensorflow==1.12.01.12.0是cuda9支持的最高版本，后面的版本就需要cuda10了
另一个比较常用的版本就是1.8.0
测试命令1tf.test.is_gpu_available()
返回true就是可以的
