为避免读者踩坑，本文测试成功了Ubuntu18.04环境下配置深度学习环境：

（GPU:NVIDIA TITAN Xp），包括：

CUDA+CUDNN+TensorFlow1.9+Pytorch1.1的安装和测试。

Ubuntu18.04深度学习环境配置(简易方式)_python

一、硬件配置

超微塔式服务器

显卡 NVIDIA TITAN Xp *4
内存 128G
CPU 2620V4* 2
电源 1600w *2
硬盘 256G*2+2T*2

二、安装
1.安装Ubuntu
使用U盘进行Ubuntu操作系统的安装：
参考：

​​https://jingyan.baidu.com/article/a3761b2b66fe141577f9aa51.html​​​一开始安装选择"Install Ubuntu"回车后过一会儿屏幕如果显示“输入不支持”，这和Ubuntu对显卡的支持有关，在安装主界面的F6，选择nomodeset，就可以进入下一步安装了。
安装过程略，安装镜像下载地址：
ubuntu.com/download/des
下载：ubuntu-18.04.2-desktop-amd64.iso

2.安装ssh
备注：这一步需要到服务器桌面上的命令窗口输入，这一步完成后，就可以用ssh工具远程连接服务器了，本文使用的是XShell。

sudo apt-get install openssh-server

3. 安装NVIDIA TITAN Xp显卡驱动
默认安装的显卡驱动不是英伟达的驱动，所以先把旧得驱动删除掉。

sudo apt-get purge nvidia*

添加Graphic Drivers PPA

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update

查看合适的驱动版本：

ubuntu-drivers devices


Ubuntu18.04深度学习环境配置(简易方式)_python_02

图：可用的nvidia 驱动列表

图中可以看出推荐的是最新的430版本的驱动，安装该驱动：

sudo apt-get install nvidia-driver-430

安装完毕后重启机器：

sudo reboot

重启完毕运行

nvidia-smi

看看生效的显卡驱动：

Ubuntu18.04深度学习环境配置(简易方式)_机器学习_03

图：生效的显卡驱动

4.安装依赖库

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-devlibgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

5.GCC降低版本
CUDA9.0要求GCC版本是5.x或者6.x，其他版本不可以，需要自己进行配置，通过以下命令才对GCC版本进行修改。

  • 版本安装
# 版本安装：
sudo apt-get install gcc-5
sudo apt-get install g++-5
  • 通过命令替换掉之前的版本
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 50

6.安装Anaconda和tensorflow、keras和pytorch

重点：让conda自动安装cuda和cudnn！！！由于Anaconda可以提供完整的科学计算库，所以直接使用Anaconda来进行相关的安装。
1）安装Anaconda
下载地址：https://www.anaconda.com/download/
这里我们下载Python 3.7 64bit 的linux版本。
安装：

bash Anaconda3-2019.03-Linux-x86_64.sh

2）更改pip和conda为国内的源
由于国内访问pip和conda比较慢，建议更改为国内的源：
a.更改pip的源为阿里云：

mkdir ~/.pip
cat > ~/.pip/pip.conf << EOF
[global]
trusted-host=mirrors.aliyun.com
index-url=https://mirrors.aliyun.com/pypi/simple/
EOF

备注:conda 国内源都封了，不需要更换源了

3）在Anaconda中安装Python3.7的虚拟环境
创建一个Python的虚拟环境

conda create --name tf python=3.7 #创建tf环境

虚拟环境主要命令：

source activate tf #激活tf环境
source deactivate tf #退出tf环境
conda remove --name tf --all #删除tf环境（全部删除）

4）在Anaconda中安装TensorFlow GPU 1.9

conda install tensorflow-gpu==1.9

将会自动安装：
cuda，cudnn以及相关的其他组件

5）使用下列代码测试安装正确性
命令行输入：

source activate tf
python

Python命令下输入以下代码：

import tensorflowas tf
hello= tf.constant('Hello, TensorFlow!')
sess= tf.Session()
print(sess.run(hello))

没有报错就是配置好了。

6）安装Keras
直接在这个虚拟环境中安装：

pip install keras

7）安装Pytorch
直接在这个虚拟环境中安装：

conda install pytorch torchvision -c pytorch

系统会自动安装cuda和cudnn
测试Pytorch是否安装成功：
命令行输入：

source activate tf
python

python命令下输入以下代码：

import torch
print(torch.cuda.is_available())

返回True说明安装成功了。

总结
为避免读者踩坑，本文测试成功了Ubuntu18.04环境下配置深度学习环境包括：CUDA+CUDNN+TensorFlow1.9+Pytorch1.1的安装和测试。