Ubuntu18.0.4+2080Ti+CUDA9.0+TesorFlow1.10.0+Keras2.1.6

一.Ubuntu18.0.4

1.制作ubuntu 18.04 U盘启动盘：
可参考链接：https://blog.csdn.net/yaoyut/article/details/78003061
2.设置U盘启动
重启，进入boot，一般是Delete键，选择你的那个U盘启动系统
之后步骤可参考链接：https://jingyan.baidu.com/article/3c343ff7d596480d3779630f.html

二.2080Ti显卡驱动

1.手动下载新驱动:到Nvidia官网里下载(https://www.geforce.com/drivers)，根据自己的显卡配置选择，例如我这边是2080Ti显卡驱动，台式机

2.安装驱动之前要删除可能存在的已有驱动

sudo apt-get purge nvidia-* 

3.禁用系统默认显卡驱动
打开系统黑名单:sudo gedit /etc/modprobe.d/blacklist.conf
将下列代码填入文件末尾:

blacklist amd76x_edac
blacklist rivafb
blacklist vga16fb
blacklist nouveau
blacklist nvidiafb
blacklist rivatv

保存，然后更新内核:

sudo update-initramfs -u

重启电脑:sudo reboot

查看是否禁用成功，无输出则禁用成功:

  lsmod | grep nouveau

4.安装gcc和make

sudo apt install gcc
sudo apt install make

5.运行显卡驱动安装包

sudo chmod +x NVIDIA-Linux-x86_64-418.56.run
sudo ./NVIDIA-Linux-x86_64-418.56.run --no-x-check

更新内核:sudo update-initramfs -u
重启电脑:sudo reboot

6.运行nvidia-smi，出现如下图则成功

三.CUDA9.0与cudnn7.4安装

1）CUDA9.0安装

[根据要装的TensorFlow版本来确定CUDA版本，可以去TensorFlow官网查看各版本对应的CUDA版本与cudnn]
1.下载CUDA9.0安装包
各CUDA版本链接：https://developer.nvidia.com/cuda-toolkit-archive
2.由于CUDA9.0只支持gcc-6.0以下版本，所以需要先对gcc和g++降级
可以使用gcc -v和g++ -v查看gcc和g++的版本
降级命令：sudo apt install gcc-6 sudo apt install g++-6
3.然后：

chmod +x cuda_9.0.176_384.81_linux.run
sudo ./cuda_9.0.176_384.81_linux.run --override

按q滑到最后，输入accept，其中第二个安装Nvidia驱动[因为已经安装了]，其余选择yes，按回车
4.修改环境变量：sudo gedit ~/.bashrc
在文件末尾输入：

export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH

保存文件后，重启电脑sudo reboot
至此在终端输入nvcc -V检查cuda9.0是否安装成功，如图：

2）cudnn7.4安装

1.下载cudnn7.4安装包，链接：https://developer.nvidia.com/rdp/cudnn-archive
需要注册账号，选择

下载tar格式的压缩包，不要选择其他格式

不然解压会失败
2.解压cudnn压缩包，解压命令：tar -xzvf cudnn-9.0-linux-x64-v7.4.1.5.tgz，然后copy解压文件到cuda目录，命令如下:

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*

至此cuDNN安装完成。
检测一下cuda版本，命令如下:

cat /usr/local/cuda/version.txt

四.TesorFlow-gpu1.10.0和Keras2.1.6安装

1)安装Miniconda3

wget https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

2)创建TesorFlow-gpu环境

source activate tensorflow_gpu
conda install -c anaconda tensorflow-gpu==1.10.0

测试

命令：

python

import tensorflow as tf   
hello = tf.constant('Hello there!')
sess=tf.Session()
print(sess.run(hello))

结果如图：


图中，会显示显卡型号，显存，而且上面的那个文件夹时gpu文件夹

3)安装 Keras2.1.6

命令：
conda install -c conda-forge keras=2.1.6

测试

代码

import numpy as np
np.random.seed(1337)#for reproducibility
from  keras.datasets import  mnist
from keras.utils import  np_utils
from keras.models import Sequential
from  keras.layers import Dense,Activation
from keras.optimizers import RMSprop

#download the mnist to the path '-/.keras/datasets/' if it is the first time to be called
#X shape(60,000 28x28),y shape(10,000,)
(X_train,y_train),(X_test,y_test)=mnist.load_data()

#data pre-processing
X_train=X_train.reshape(X_train.shape[0],-1)/255 # normalize
X_test=X_test.reshape(X_test.shape[0],-1)/255 # normalize
y_train=np_utils.to_categorical(y_train,num_classes=10)
y_test=np_utils.to_categorical(y_test,num_classes=10)

#Another way to build your neural net
model=Sequential([
    Dense(32,input_dim=784),#传入784，传出来的只有32
    Activation('relu'),
    Dense(10),#传出来的只有10个单位，不用再定义input
    Activation('softmax')
])
#Another way to define your optimizer
rmsprop=RMSprop(lr=0.001,rho=0.9,epsilon=1e-08,decay=0.0)

#We add metrics to get more results you want see
model.compile(
    optimizer=rmsprop,
    loss='categorical_crossentropy',
    metrics=['accuracy'],
)

print('Training -------------')
#Another way to train the model
model.fit(X_train,y_train,epochs=10,batch_size=60000)

print('\nTesting -------------')
#Evaluate the model with the metrics we defined earlier
loss,accuracy=model.evaluate(X_test,y_test)

print('test loss',loss)
print('test accuracy',accuracy)

运行结果如图