1. 配置Anaconda3
1.1. 下载安装包
1.2. 安装
下载完之后是后缀.sh文件
在终端输入：bash Anaconda3-5.0.0.1-Linux-x86_64.sh
2. 切换默认Python版本
2.1. 查看Python版本
终端输入python查看版本，如果默认不是python3，则在终端输入：
sudo update-alternatives --install /usr/bin/python python /usr/bin/python2 100
sudo update-alternatives --install /usr/bin/python python /usr/bin/python3 150
执行完上述两行命令之后在终端输入python，如果第一行信息是3.6，则成功。效果图如下：
如果要切换到Python2，执行：
sudo update-alternatives --config python
2.2. 添加环境变量
将Python添加到环境变量中。
如果在安装Anaconda的过程中没有将安装路径添加到系统环境变量中，需要在安装后手工添加。
# 打开profile文件
$sudo gedit /etc/profile
# 在文件末尾处添加
exportPATH=/home/liguangyao/anaconda3/bin:$PATH
其中，将“/home/liguangyao/anaconda3/bin”替换为你实际的安装路径，然后保存。
2.3. 使环境变量生效
让etc/profile文件修改后立即生效，有以下三种方法：
# 方法一 (注意：.和/etc/profile之间有空格)
. /etc/profile
# 方法二：在终端输入
source /etc/profile
# 方法三：在终端输入
source ~/.bashrc
然后重启系统，打开终端，输入Python，出现以下界面，表明设置成功。
也可以在终端输入ecoh $PATH查看已有的环境变量 ,确认输出是否已经有Anaconda路径了。
3. 安装Pycharm
4. Cuda9.0安装
4.1. NVIDIA驱动安装
Ubuntu18.04自带了NVIDIA驱动，但是它没有安装完整，不能在终端使用nvidia-smi命令查看，在之后的CUDA编译测试里面也会出现问题，因此需要重新安装。重新安装的方式如下：
# 首先，检测你的NVIDIA图形卡和推荐的驱动程序的模型
ubuntu-drivers devices
从中可以看到，这里有一个设备是Quadro K2000，对应的驱动是NVIDIA -390和340，系统推荐的安装390版本的驱动。有两种方法：
方法一、选择安装所有推荐的驱动
sudo ubuntu-drivers autoinstall
方法二、只安装其中一个驱动
sudo apt install nvidia-390
笔者选择第一种方式，执行完命令后，在终端输入：nvidia-smi 可以得到相关信息。
4.2. 降级GCC
因为Ubuntu18.04默认gcc7.0，而CUDA9.0只支持gcc6.0及以下版本，因此需要降级，笔者选择降级到的版本是gcc5.5版本。
# 首先查看自己的版本
gcc –version
笔者机器显示7.3.0，因此降级版本并激活。
# 在终端输入
sudo apt-get install gcc-5 g++-5
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 50
# 这时候再在终端输入
gcc –version
如果显示是5.5版本则OK。如果出现其他错误未降级情况，请自行百度/Google查看解决方案。
4.3. 依赖库的安装
# 在终端输入
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev
sudo apt-get install libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev
成功安装完依赖库！
4.4. 安装Cuda9.0
官网地址：点击此处进入
下载后存放的目录需要记住。
#在安装包存放目录处打开终端输入
Sudo dpkg -i cuda-repo-ubuntu1704-9-0-local_9.0.176-1_amd64.deb
sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub
sudo dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update_1.0-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update-2_1.0-1_amd64.deb
Sudo apt-get update
#这一步可能会出现如下错误：
The following packages have unmet dependencies:
cuda : Depends: cuda-9-0 (>= 9.0.176) but it is not going to beinstalled
E: Unable to correct problems, you have held broken packages.
解决方法参见博客：Ubuntu18.04 LTS下Caffe-GPU版本安装常见错误
#在终端继续执行：
Sudo apt-get install cuda
在/usr/local目录下可以看到cuda和cuda-9.0两个文件夹，表面安装成功，接下来进行环境变量配置。
4.5. 环境配置
完成以上的步骤以后一定要进行环境的配置。步骤如下：
#打开终端输入
sudo gedit ~/.bashrc
# 会弹出一个可写的配置文件，在末尾把以下配置写入并保存
export CUDA_HOME=/usr/local/cuda-9.0
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/extras/CUPTI/lib64:$LD_LIBRARY_PATHs
export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH="/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/extras/CUPTI/lib64:/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/lib64"
# 最后执行
source ~/.bashrc
重启电脑。
4.6. 安装测试
在安装的时候也相应安装了一些cuda的一些例子，可以进入例子的文件夹然后使用make命令执行。
从网上找了两个例子，例一：
# 第一步，进入例子文件
cd /usr/local/cuda-9.0/samples/1_Utilities/deviceQuery
# 第二步，执行make命令
sudo make
# 第三步，运行Demo
./deviceQuery
如果结果有GPU的信息，说明安装成功。
例二：
# 进入例子对应的文件夹
cd /usr/local/cuda/samples/5_Simulations/fluidsGL
# 执行make
sudo make clean && sudo make
# 运行
./fluidsGL
自带例子测试通过，Cuna9.0安装配置完成！
5. CuDnn7.0安装
官网下载地址:点击这里（需要注册个账号）：
为适应Cudn9.0，笔者下载的是CuDnnv7.0.4 (Nov 13, 2017), for CUDA 9.0。笔者下载完的CuDnn是.solitairetheme8格式的文件。
# 解压
tar -xvzf cudnn-9.0-linux-x64-v7.solitairetheme8
# 在终端输入
sudocp cuda/include/cudnn.h /usr/local/cuda/include
# 注意，解压后的文件夹名称为cuda ,将对应文件复制到 /usr/local中的cuda内
sudocp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudochmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
此处Cudnn安装完成.
# 在终端输入（此处的V是大写）
nvcc –V
安装成功！(若没有显示，可以重启电脑)
6. Caffe-GPU安装
# 在终端输入
sudo apt install caffe-cuda
6.1.基本依赖库的安装
# 在终端输入
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev
sudo apt-get install libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
6.2.配置
# 首先我们要从GitHub的远端下载caffe的源码
git clone https://github.com/BVLC/caffe.git
cd caffe sudo cp Makefile.config.example Makefile.config
sudo gedit Makefile.config
进入caffe根目录，用编辑器打开Makefile.config文件。笔者选择SublimeText。
6.2.1.修改Makefile.config的配置文件
# 将第5行注释去除
USE_CUDNN:= 1
# 将第21行注释去除
OPENCV_VERSION := 3
将第37和38行注释或者删除
修改后如图所示
将第51行BLAS:= atlas注销,换成BLAS := open
将Python2环境注销,换成Anaconda3下的Python环境
将PYTHON_LIB:= /usr/lib注释
取消PYTHON_LIB:= $(ANACONDA_HOME)/lib的注释
INCLUDE_DIRS :=$(PYTHON_INCLUDE) /usr/local/include /usr/local/hdf5/include
LIBRARY_DIRS :=$(PYTHON_LIB) /usr/local/lib /usr/lib /usr/local/hdf5/lib
删除以下黄色背景操作
6.2.2.修改Makefile文件
在终端输入：sudo gedit Makefile
# 这行去掉
NVCCFLAGS+= -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
# 添加这行
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX)-Xcompiler -fPIC $(COMMON_FLAGS)
6.3. Caffe源码中安装Python的必要项
# 在终端输入
cd /home/liguangyao/programming/caffe/python
for req in $(cat requirements.txt); do pip install $req; done
6.4. 编译
# 进入caffe的根目录下
cd /home/liguangyao/Programming/caffe
sudo make clean
sudo make all -j4 （-j4表示使用4核处理器执行当前指令）
sudo make test -j4 （最好加上sudo防止有些文件的访问权限不够）
sudo make runtest -j4
此步可能会报错，解决方法参见博客：Ubuntu18.04 LTS下Caffe-GPU版本安装常见错误
sudo make pycaffe -j4（配置pycaffe）
返回上一目录,输入Python测试
Congratulations！Caffe-GPU编译成功！
7. MNIST 模型
#进入Caffe根目录
cd /home/liguangyao/Programming/caffe
7.1. 数据集准备
#下载数据集
sudo ./data/mnist/get_mnist.sh
#转换数据格式
sudo ./examples/mnist/create_mnist.sh
7.2. 数据集训练
#训练
sudo ./examples/mnist/train_lenet.sh
#训练完成后如下所示：
7.3. 数据集测试
有三种接口可以进行数据集测试，分别是命令行、Python和MATLAB，笔者采用命令行进行测试。
在在caffe根目录下创建文件。在终端输入：
touch test_lenet.sh
sudo gedit test_lenet.sh
在文件中添加：
./build/tools/caffe.bin test -modelexamples/mnist/lenet_train_test.prototxt -weightsexamples/mnist/lenet_iter_10000.caffemodel -iterations 100
#在终端执行
sudo sh test_lenent.sh
Congratulations！测试成功！至此,Caffe-GPU版本安装测试完毕！
可以尽情的开启Caffe深度学习之旅了！
