深度学习大多用来处理图片、语言、视频和文本等大量非结构化数据，因而计算资源是进行深度学习开发的必要条件，想依靠windows单机玩深度学习恐怕不现实，基于linux和 gpu服务器的深度学习开发环境配置就显得尤为重要了。本节笔记就先学习下如何在 ubuntu16.04 系统下配置深度学习开发环境。

使用 xshell linux虚拟机工具

     使用 xshell 工具创建与linux服务器的连接，设置好主机地址和端口号，输入登录名和密码连上服务器。

下载和更新显卡驱动

      先查看本机当前显卡信息：

ubuntu-drivers devices

      依次执行下述命令：

sudo apt-get purge nvidia* sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update sudo apt-get install nvidia-384 nvidia-settings

      之后重启服务器使更新生效

sudo shutdown -r now

      重新连接服务器后查看当前的生效的显卡驱动

nvidia-smi

安装CUDA8

     以CUDA8为例进行安装，CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。安装CUDA的话首先必须去 Nvidia 官网下载对应的CUDA安装包：https://developer.nvidia.com/cuda-80-ga2-download-archive

     选择 cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb 进行下载：

      然后运行下列命令进行安装：

sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-cublas-performance-update_8.0.61-1_amd64.deb sudo apt-get update sudo apt-get upgrade cuda

      安装完成之后在 ~/.bashrc 中设置CUDA的环境变量：

export PATH=/usr/local/cuda/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} export CUDA_HOME=/usr/local/cuda

      完了之后运行 source ~/.bashrc 生效。再次运行 nvidia-smi 查看驱动信息如若报驱动不匹配的错误：

Failed to initialize NVML: Driver/library version mismatch

     这个问题出现的原因是kernel mod 的 Nvidia driver 的版本没有更新，一般情况下，重启机器就能够解决，如果因为某些原因不能够重启的话，也有办法reload kernel mod。依次执行下述命令即可解决：

lsmod | grep nvidia

sudo rmmod nvidia_drm sudo rmmod nvidia_modeset sudo rmmod nvidia_uvm sudo rmmod nvidia sudo lsof /dev/nvidia* lsmod | grep nvidia

      最后再次输入 nvidia-smi即可查看到当前的驱动信息。

安装cuDNN6.0

     cuDNN(CUDA Deep Neural Network library)是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。CUDA8.0的最佳匹配的cuDNN版本为6.0，所以我们到nvidia官网下载cuDNN6.0即可。但目前下载cuDNN需要注册nvidia账号才可下载，可能需要多费些周折。

      下载完成后按照下列命令进行解压缩和安装：

tar -zxvf cudnn-8.0-linux-x64-v6.0.tgz sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ -d

安装 anaconda 并创建虚拟环境

      下载anaconda 的 linux版本：

wget https://repo.anaconda.com/archive/Anaconda3-5.2.0-Linux-x86_64.sh

      执行bash命令进行安装：

bash Anaconda3-5.1.0-Linux-x86_64.sh

      安装完成后创建 anaconda 虚拟环境：

conda install -n 虚拟环境名称

      启动虚拟环境：

source activate 虚拟环境名称

      退出虚拟环境：

source deactivate 虚拟环境名称

安装深度学习主要计算框架

安装 tensorflow：

pip install tensorflow-gpu==版本号安装keras:pip install keras==版本号安装pytorch:conda install pytorch==版本号

再安装一些其他的常用库即可搭建好深度学习开发环境。

  注：本深度学习笔记系作者学习 Andrew NG 的 deeplearningai 五门课程所记笔记，其中代码为每门课的课后assignments作业整理而成。

参考资料：

http://www.52nlp.cn/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%BB%E6%9C%BA%E7%8E%AF%E5%A2%83%E9%85%8D%E7%BD%AE-ubuntu-16-04-nvidia-gtx-1080-cuda-8

推荐阅读

从零开始深度学习第14讲：CNN经典论文研读之Le-Net5及其TensorFlow实现

从零开始深度学习第13讲：Tensorflow实战之mnist手写数字识别

从零开始深度学习第12讲：卷积神经网络的Tensorflow实现

从零开始深度学习第11讲：利用numpy搭建一个卷积神经网络

从零开始深度学习第10讲：三维卷积、池化与全连接

从零开始深度学习第9讲：卷积神经网络(CNN)入门

从零开始深度学习第8讲：利用Tensorflow搭建神经网络