配置GPU加速的tensorflow
说明1：Tensorflow本身的安装是很容易的，但是深度学习训练的实际数据都是非常大的，GPU速度是CPU的几十倍，仅使用CPU版本的tensorflow训练模型难以达到效果，这就需要利用GPU多核的优势来加速计算。
说明2：使用GPU加速的前提条件是当前系统可以使用显卡，并且显卡支持CUDA并行计算，虚拟机下不支持使用独立显卡，所以虚拟机下不能安装GPU版本的tensorflow。双系统支持独立显卡。
前提条件：
1.操作系统：centos
7或ubuntu16.4
2.硬件条件：Nvidia显卡(查询当前系统是否支持独立显卡，显卡是否支持CUDA)
准备工作：(ubuntu系统省略这一步)
yum更新下，安装Development
Tools软件包
1.sudo
yum update
2.sudo
yum group install ‘Development Tools’
安装Nvidia驱动
说明：下面的方法只适合centos系统，若是ubuntu,一般自带独立显卡驱动，可输入nvidia-smi查看，否则需要另外安装。安装完以后输入nvidia-smi，若查看到信息说明已经安装好驱动。
Nvidia官网上有显卡驱动的软件包下载，但安装前需要繁琐的配置，这里我们选择更简单的方式，通过软件源安装：
12345678910
#安装elrepo源
sudo rpm --import https://www.elrepo.org/RPM-GPG-KEY-elrepo.orgsudo rpm -Uvh http://www.elrepo.org/elrepo-release-7.0-2.el7.elrepo.noarch.rpm#探测要安装的包
sudo yum install nvidia-detectnvidia-detect#安装sudo yum install kmod-nvidia
#最后重启，然后检查是否安装成功
ls -la /dev | grep nvidia(或nvidia-smi能查看到显卡信息)先去Nvidia上下载CUDA包，我下载的是8.0版本的，然后就可以进行安装：
sudo shcuda_8.0.44_linux.run这里会询问是否要安装驱动，因为前面我们已经安装好了驱动，所以这里别选
记住CUDA的根目录是在/usr/local/cuda-8.0和/usr/local/cuda，后者是前者的一个链接
安装完后，配置环境变量，在~/.bash_profile中添加：(如果找不到./.bash_profile文件，请需要在每一次启动tensorflow时配置环境变量，参考快速启动部分)
Tensorflow还需要cudnn插件，这个可以从Nvidia官网下载，我下的版本是v5.1，下载完后解压并复制到相应的文件夹。
tar xvzfcudnn-8.0-linux-x64-v5.1.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/includesudo
cp cuda/lib64/libcudnn* /usr/local/cuda/lib64安装Anaconda($bash
Anaconda2-4.3.0-Linux-x86_64.sh(最后写YES)$source ./bashrc)建立一个conda计算环境
激活环境,使用conda安装TensorFlow
安装成功后,每次使用TensorFlow的时候需要激活conda环境
建立conda环境-tensorflow
#python2.7
$ conda create -n tensorflow-gpu python=2.7
# Python 3.5
$ conda create -n tensorflow python=3.5激活conda环境-tensorflow
$ source activate tensorflow安装GPU版本Tensorflow(# Ubuntu/Linux 64-bit, GPU enabled, Python 2.7. Requires CUDA toolkit 8.0 and CuDNN v5.)
# Ubuntu/Linux 64-bit, GPU enabled, Python 3.5. Requires CUDA toolkit 8.0 and CuDNN v5.设置快速启动
编辑可执行文件_GPU_TF_(先创建文件，然后sudo chmod 777 filename),输入以下内容(若发现文本文件无法切换到insert模式，进入root权限，修改/etc/vim/vimrc.tiny文件，将set compatible设置成set nocompatible .保存退出即可。这是因为有时候系统会默认vim兼容vi，所以使用vi的命令)
#!/bin/bash
#echo'cuda &cudnn'
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64"
export CUDA_HOME=/usr/local/cuda
export PATH=$PATH:/usr/local/cuda/bin
echo 'Tesorflow GPU workspace ~'
SLIM_HOME=./anaconda2/envs/tensorflow-gpu/lib/python2.7/site-packages/tensorflow
cd $SLIM_HOME &&source activate tensorflow-gpu &&pwd保存退出。
下次启动时，直接sourceGPU_TF_即可启动tensorflow，并且到达tensorflow指定目录。
使用TF-SLIM
tf-slim是基于tensoflow开发的轻量级库，提供了原始的许多模型和写好的网络，以及一些处理脚本，可直接使用或者根据需要修改。
下载tf-slim库，直接解压，然后将里面的内容拷贝到./anaconda2/envs/tensorflow-gpu/lib/python2.7/site-packages/tensorflow/models/下面即可，拷贝之后里面有一个slim文件夹，就是我们需要的内容。
测试tensorflow
启动tensorflow,在slim目录下面输入命令：
sh ./scripts/finetune_inception_v1_on_flowers.sh先后出现一下两部分内容即表示使用了GPU加速(图1)，并且开始训练(图2)。
按安装CPU版本：
安装Anaconda( bash Anaconda2-4.3.0-Linux-x86_64.sh一路yes)
建立一个conda计算环境
激活环境,使用conda安装TensorFlow
使用下面的链接安装0.11版本的tensorflow:
export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.11.0-cp27-none-linux_x86_64.whl
sudo pip install—ignore-installed--upgrade $TF_BINARY_URL
