更新
2018 年 10 月 29 日更新。
使用 conda 安装 GPU 加速版本的 TensorFlow 时，将自动安装 GPU 支持所需的 CUDA 和 CuDNN 库。不需要再额外安装这些库了。而且与 pip 安装相比，conda 安装可以带来超过 8 倍的 CPU 速度提升。因此推荐通过 conda 安装 TensorFlow。
前言
服务器在升级维护，打算先在本机上做 Mask RCNN，之前一直懒得去折腾这些，这次一次搞清楚了，记录一下。
总体参照的是下面这篇博客：
https://blog.csdn.net/aaronjny/article/details/79330727
第一步：检查
我自己电脑上是有 GPU 的，查看方式是安装 nvidia-smi
1 | sudo apt-get install nvidia-smi |
直接在终端运行 nvidia-smi 输出 GPU 信息。
然后检查有没有 gcc，gcc —version, 输出 gcc 版本
安装 cuda
一句话完成：
1 | sudo apt install nvidia-cuda-dev nvidia-cuda-toolkit nvidia-nsight nvidia-visual-profiler |
安装的时候能看到安装的是什么版本，比如我这里是 9.1。
安装完有一个警告，再安装一下这个：
sudo apt-get install console-setup
安装 cudnn
首先下载 cudnn,https://developer.nvidia.com/cudnn
对压缩包进行解压，得到一个名为 cuda 的文件夹。
然后执行下面的步骤：
- 第一，将解压出来的 cuda/include/ 下的 cudnn.h 文件复制到 /usr/local/include/ 目录下。
- 第二，将 cuda/lib64 / 目录下的所有文件复制到 python 环境的 tensorflow 包的 tensorflow/python/ 目录下。
安装 Tf GPU 版本
1 | conda install tensorflow-gpu |
测试
正常输出显卡信息则安装完成。
