独角兽企业重金招聘Python工程师标准>>>
游戏本装双系统:在256G固态上有个win10,计算机->右键->管理->磁盘管理->c盘右键->压缩卷->压缩最大值大概压缩出一半空间,用来装Ubuntu,压缩出来的空间不要分区U盘制作linux启动盘,进入电脑BIOS设置U盘启动,插入优盘,重启电脑,出现英文的"尝试使用"以及"直接安装",选择直接安装,然后选项是第一个在windows旁边安装,其他分区什么的不用什么设置,只用设置一下时区,密码什么的.进入系统后需要设置一些选项,安装搜狗输入法,pycharm,htop,火狐浏览器,谷歌浏览器,桌面或者win+A找到 Software Updater 打开,点击面板上的Ubuntu Software,中间位置有个Download from,点击选择Other,在弹出的窗口右侧点击Select Best Server 则会自动测试选择适合你当前网络的软件来源,这样以后下载安装软件比较快速.搜狗输入法时用起来比较舒服的中文输入法,安装方法如下:首先需要安装fcitx,可以用命令行下载安装,亦可以点击桌面上的Ubuntu Software,点击All->点击右边的放大镜搜索->输入fcitx 进行下载 然后点击install,(pycharm 亦可以这样安装!)安装fcitx完成后,去搜狗官网(/linux/?r=pinyin)下载输入法的deb文件,双击安装,然后win+A找到Language Support 打开,点击下面的IBus换成fcitx,如果没有fcitx则是因为没安装成功,需要重新安装,换成fcitx后,重启电脑,右键右上角的小键盘或者显示的输入法图标,点击Configure,Input Method,点击左下角的加号,点击上Only Show Current Language前面的勾,然后搜索sogou,将sogou Pinyin添加进去,就可以了,切换输入法的快捷键设置,就在添加Input Method 右边的Global Config里面,第一个点击后按下要设置的快捷键按键即可.然后是安装其他需要软件,ubuntu小工具:htop 可以实时观察系统内存,处理器使用情况等,beyond bompare 可以高亮两个文件不同的地方,对代码改动,数据分析很有帮助.NVIDIA 显卡驱动安装深度学习环境需要显卡支持,显然需要安装显卡驱动cuda安装显卡最初是为显示图像服务的,具有强大的并行计算能力,显卡驱动也是为计算机驱动显卡计算显示图像的,但是并没有提供方便人直接使用的接口,cuda是NVDIA公司特意开发的供用户方便调用显卡进行计算的平台,个人理解为一个中间层,用户的程序不可能像驱动程序一样那么详细的命令调用IO口,数据传输计算等,这些由cuda面向底层做好了,面向用户的是一个人性化的平台,仅需要一些函数命令接口可以实现调用GPU进行运算.cuDNN安装cuda方便用户调用GPU进行计算,但是不仅是深度学习用户才用显卡计算,cuda可以供多职业的用户调用GPU运算,那么cuDNN则是在cuda的基础上对深度学习更进一步的专注和优化,相当于针对深度学习的特点,将cuda上的一些指令函数等进一步封装,方便深度学习用户的快捷使用.只是供深度学习领域的使用.搭建环境：参考博文为：/cskywit/article/details/81146429（帮助很大）一、安装NVIDIA驱动1.卸载原有NVIDIA驱动sudo apt-get remove --purge nvidia*或者：sudo chmod +x *.run sudo ./NVIDIA-Linux-XXXXXX.run –uninstall #改成自己的旧驱动版本2.禁用nouveau驱动sudo gedit /etc/modprobe.d/blacklist.conf在末尾添加:blacklist nouveau然后执行：sudo update-initramfs -u重启进入命令行界面后执行：lsmod | grep nouveau。如果没有屏幕输出，说明禁用nouveau成功。注意此步需要在命令行下执行。3.命令行安装驱动确定自己所需要安装的驱动版本：ubuntu-drivers devices可以看到有目前可以安装的驱动:driver : nvidia-driver-390 - distro non-free recommendeddriver : xserver-xorg-video-nouveau - distro free builtin安装推荐的390：sudo apt install nvidia-driver-390安装完毕使用命令nvidia-smi会出现显卡信息。4. perform mok management（不一定会出现，但是我安装时出现了）安装完显卡驱动后，系统需要重启加载驱动，注意如果按照上述流程进行驱动安装，那在重启系统时，会出现一个蓝色背景的界面 perform mok management , 我在这一步选错了，卡在这很久，终于找到正确的做法如下： (1)当进入蓝色背景的界面perform mok management 后，选择 enroll mok , (2)进入enroll mok 界面，选择 continue , (3)进入enroll the key 界面，选择 yes , (4)接下来输入你在安装驱动时输入的密码， (5)之后会跳到蓝色背景的界面perform mok management 选择第一个 reboot这样，重启后N卡驱动就加载了。可以在系统信息处看到显卡已经是独立显卡。二、安装CUDA9.0下载地址：/cuda-zone注意：tensorflow对CUDA的版本有要求，见/mind/wheels1、GCC降级由于CUDA 9.0仅支持GCC 6.0及以下版本，而Ubuntu 18.04预装GCC版本为7.3，故手动进行降级：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 $ls -l gcc* 会显示以下结果lrwxrwxrwx 1 root root 7th May 16 18:16 /usr/bin/gcc -> gcc-7.3发现gcc链接到gcc-7.0, 需要将它改为链接到gcc-4.8，方法如下:sudo mv gcc gcc.bak #备份 sudo ln -s gcc-4.8 gcc #重新链接同理，对g++也做同样的修改：ls -l g++* lrwxrwxrwx 1 root root 7th May 15:17 g++ -> g++-7.3需要将g++链接改为g++-4.8:sudo mv g++ g++.bak sudo ln -s g++-4.8 g++再查看gcc和g++版本号：gcc -v g++ -v均显示gcc version 4.8 ，说明gcc 4.8安装成功2、安装cuda及其补丁先安装Base Insataller:sudo sh cuda_9.0.176_384.81_linux.run需要注意的是，之前已经安装过显卡驱动程序，故在提问是否安装显卡驱动时选择no,其他 选择默认路径或者yes即可。然后，继续执行以下操作安装3个 patch ：（我安装时有四个了）sudo sh cuda_9.0.176.1_linux.runsudo sh cuda_9.1. 176.2_linux.runsudo sh cuda_9.1. 176.3_linux.run配置环境变量：cd ~sudo gedit .bashrc在末尾添加以下路径：（路径千万不要整错）export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}export LD_LIBRARY_PATH=/usr/local/cuda9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}更新路径：source .bashrc3、安装其依赖的库：sudo apt-get install python-pip python-devsudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev4、测试：cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuerysudo make./deviceQuerycd ../bandwidthTestsudo make./bandwidthTest三.安装cuDNN1、安装下载地址：/cudnn，需要简单注册（免费），下载对应的cuDNN，我这里下载的是cuDNN v7.1.4[May 16,],for CUDA 9.0，选择其下的cuDNN v7.1.4 Library for Linux。解压后的文件夹名字为CUDA，复制到CUDA的安装目录/usr/local/cuda下。（确实需要注册）tar -xzvf cudnn-9.0-linux-x64-v7.tgzsudo cp cuda/include/cudnn.h /usr/local/cuda/includesudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64sudo chmod a+r /usr/local/cuda/include/cudnn.h2、测试安装Freeimage在我们验证cuDNN之前，我们必须首先安装freeimage lilbray作为ministCUDNN示例代码的依赖关系。否则，会有提示要求我们正确设置Freeimage。sudo apt-get install libfreeimage3 libfreeimage-dev验证cuDNN安装cp -r /usr/src/cudnn_samples_v7/ $HOMEcd $HOME/cudnn_samples_v7/mnistCUDNNmake clean && make./mnistCUDNN如果一切正常，我们可以得到我们的结果 - “测试通过！”后面的没怎么参考原博客的，直接安装的tensorflow-GPU,又报错tensorlfow错误mortError: libcusolver.so.8.0: cannot open shared object file: No such file or directory看你安装版本，有时是9.0甚至7.0，试了很多办法，应该是找不到路径的问题最后在命令行输入：export LD_LIBRARY_PATH=/usr/local/cuda/lib64/回车就可以了（应该要改成你自己的路径）用某神经网络代码在tensorflow和tensorflow-Gpu上测试：游戏本的GTX1060并行运行的速度是笔记本新版intel八代i7CPU（6核12线程）并行的7倍左右，而该笔记本的CPU是我工作使用的台式机的速度的两倍（intel四核i5）,还是台式机给力，笔记本发热确实厉害,有条件还是上台式机吧。
补充： 后来环境又不可用了，重新安装了nvidia驱动，gcc,g++版本不知为何变为7.几，又调回4.8，然后重新设置一下export LD_LIBRARY_PATH=/usr/local/cuda/lib64/，又愉快的开跑了，跑了一个seq2seq,工作台式机i5跑了1000秒多一点，笔记本i7cpu跑了740多秒，用显卡gtx1060只用140多秒，看的见的进度条速度变快，期待以后有机会用用1080或者泰坦，不知道新出的20系列怎么样，哈哈
