前一段时间，在中国大学mooc上听了一门课------tensorflow笔记，觉得深度学习挺有意思。决定好好学学。可是，我的笔记性能不佳，内存只有4G。而且按照老师讲的，我并没有使用GPU，在跑CNN的demo时，电脑非常吃力，死机了很多次。我调出任务管理器发现了问题所在，原来是内存耗尽了，于是我修改了超参数，每次训练和验证较小的数据，电脑是不死机了，但训练时间依旧很长啊。要想缩小训赖时间，必须安装tensorflow-gpu版。
笔记本是指望不了了，一个原因是我的笔记本已经装了windows了，再装个Ubuntu，双系统来回切换很麻烦。在一个就是显卡太垃圾-----Nvidia GT610m.还好，我有个闲置的台式机，显卡是GTX750，刚刚能搭一个低配的深度学习主机。
以下是keras官网给的关于计算机硬件要求的说明，官方文档。
关于计算机的硬件配置说明
推荐配置
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
最低配置
如果您是仅仅用于自学或代码调试，亦或是条件所限仅采用自己现有的设备进行开发，那么您的电脑至少满足以下几点：
- CPU：Intel第三代i5和i7以上系列产品或同性能AMD公司产品
- 内存：总容量4G以上
CPU说明
大多数CPU目前支持多核多线程，那么如果您采用CPU加速，就可以使用多线程运算。这方面的优势对于服务器CPU志强系列尤为关键
显卡说明
如果您的显卡是非NVIDIA公司的产品或是NVIDIA GTX系列中型号的第一个数字低于6或NVIDIA的GT系列，都不建议您采用此类显卡进行加速计算，例如NVIDIA GT 910、NVIDIA GTX 460 等等。
如果您的显卡为笔记本上的GTX移动显卡（型号后面带有标识M），那么请您慎重使用显卡加速，因为移动版GPU容易发生过热烧毁现象。
如果您的显卡，显示的是诸如 HD5000,ATI 5650 等类型的显卡，那么您只能使用CPU加速
如果您的显卡芯片为Pascal架构（NVIDIA GTX 1080,NVIDIA GTX 1070等），您只能在之后的配置中选择CUDA 8.0
开发环境搭建
我原本是按照keras官网给的文档还参考了一些博客搭建主机的，太TM坑了，害我把系统搞死了N次，装了一星期的系统。能看的也就上面那一段。
基本步骤是这样的：
1.安装Ubuntu 16.04 LTS。可以到清华镜像下载。
请务必选择16.04版，虽然Ubuntu18.04LTS已经发布了。安装的过程也遇到了一些问题，uefi下总是安装失败，后来在BIOS里选择传统方式安装才装好。
装好系统后，选择国内的源，比如清华镜像源，网易源，阿里源。然后更新软件（sudo apt update,sudo apt upgrade)
2.装显卡驱动
很多人都在这一步放弃了，网上的教程啊，各种方式，可劲儿的折腾啊，我就着了那些博主的道了。一会说要禁止自带的开源驱动，又要关闭Ubuntu桌面什么的，有的还去NVIDIA官网自己下载驱动。
不用这么麻烦，下面介绍种简单的方式。
#使用下面的命令添加图形驱动源
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update
#之后就可以从设置->软件和更新->附加驱动里选择了，选择后面写有推荐的
#当然也可以在命令行下设置驱动，如下：
ubuntu-drivers devices #这条命令会列出可用的驱动，就像下面这样
driver : nvidia-340 - third-party free
driver : nvidia-396 - third-party free recommended
driver : nvidia-390 - third-party free
driver : nvidia-384 - distro non-free
driver : xserver-xorg-video-nouveau - distro free builtin
#选择推荐的（后面写recommended），安装驱动
sudo apt install nvidia-396
#最后重启一下就好了
记住，驱动只能装一次，就算是卸载了这个驱动你也甭想换成其他的了；在设置->软件和更新->附加驱动里也只能设置一次，之后再选择也不会变了。我也不清楚为什么。如果你装完之后能找到NVIDIA的那个设置软件，并且能使用它设置分辨率，即使分辨率不能调到最大，不要怀疑驱动没装好，这个不影响。
3.从官网下载CUDA和cuDNN，然后安装？然后在命令行下pip安装一大堆包？千万别！！！
keras的官网就是这么做的，很多博主也是这么做的，我参考的他们，当然我也这么做过。
但是，先不管CUDA和cuDNN好不好装吧，就python和那些包，比如numpy,tensorflow,keras…
就会出现各种不兼容问题，而用pip安装，他根本不会考虑版本依赖问题，这让人恼火。
既然是做科学计算，一定要用anaconda,他能解决包的版本依赖问题，而且也可以将CUDA和cuDNN作为一种包来安装。十分方便。
4.安装miniconda
我装的是miniconda,anaconda 的裁剪版，仅有python和conda管理器，想用什么包用conda install XXX装就好了。anaconda 里的包太多了，好多都用不到，还自带了一些编辑器，太大了，没必要。安利miniconda。从清华镜像下载吧，选择最新的，python的版本不用在意，可以使用conda 创建虚拟环境，在虚拟环境里安装指定版本的python，这样就隔离了。我会在下面详细的介绍conda的使用方法。
算了，不想写了，总之，安装什么包就conda就行了，CUDA和cuDNN也要用它。至于miniconda的用法以后开贴。
心累。