GPU服务器 windows GPU服务器配置
服务器没有图形界面，而且现在也不在实验室，因此使用Xshell远程终端进行配置。
大概分为以下几个步骤：
python3.6——nvidia-driver-390—— CUDA9.0——CuDNN7.3——tensorflow_gpu-1.12.0
选择安装tf1.12主要是因为服务器的驱动装了390，CUDA的版本限制，不确定装高版本tf会不会有问题。
其中，关于版本选择的问题参考下图[1, 5]：
另，先注明一点，官网上有给出GPU的硬件要求，linux的显卡计算能力要>3.0，windows>3.5。查询计算力可参考：
https://developer.nvidia.com/cuda-gpus
选择电脑显卡对应的型号：
可在列表中查看，比如我的显卡cc只有2.0，其实支持不了gpu加速：
也可用CUDA中的examples查询，关于查询的方法见[19]。具体方法可在下文中找到，需先装好CUDA。
驱动安装[2, 3]
查看推荐安装驱动版本：
ubuntu-drivers devices如果报错 “ not found”[4]，则执行下述命令
sudo apt-get install ubuntu-drivers-common安装推荐版本（recommended）：
sudo ubuntu-drivers autoinstall也可直接安装指定版本：
sudo apt install nvidia-xxx但我指定推荐的390会报错，没尝试选别的会如何：
重启服务器并查询是否安装成功：
sudo reboot sudo nvidia-smi
安装CUDA9.0
下载地址：https://developer.nvidia.com/cuda-toolkit-archive
选择对应的版本：
这里CUDA9.0没有ubuntu18.04的，按照[6]的说法，17.04也是可以的。
下载 base installer 和4个补丁：
下载完后把 “cuda-repo-ubuntu1704-9-0-local_9.0.176-1_amd64.deb” 文件传到服务器的 /usr/local 路径下，参考[7]。
依次执行下述命令（即上面图片中所说的）：
sudo dpkg -i cuda-repo-ubuntu1704-9-0-local_9.0.176-1_amd64.deb # 安装meta-data sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub # 安装CUDA的GPG Public Key sudo apt-get update # 更新APT源 sudo apt-get install cuda # 安装CUDA安装补丁：
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 dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update-3_1.0-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu1704-9-0-176-local-patch-4_1.0-1_amd64.deb sudo apt-get update sudo apt-get upgrade cuda如果上面用deb安装不成功可以用runfile安装[20]。
设置环境变量：
sudo vim /etc/profile这里关于 /etc/profile 和 ~/.bashrc 等的区别见[11]。
在文件的最后输入：
export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} export CUDA_HOME=/usr/local/cuda-9.0使环境变量生效：
source /etc/profile如果报错 “not found” ，此时不是root用户，则参考[10]，切换到root用户重新执行，再切换回来：
sudo su source /etc/profile su lyt测试环境变量是否生效：
nvcc --version备注：
1. 我在执行上述操作前发现服务器的 /usr/local 路径下已有2个CUDA文件夹，8.0和9.0：
根据[8]的说法，输入下述命令：
cd /usr/local/cuda-9.0/samples/1_Utilities/deviceQuery sudo make sudo ./deviceQuery其中，执行 make 时报错，参考[9]，已经编译过且有.o文件，故跳过此步。
执行最后一句后，显示CUDA已配置：
cuda-8.0路径下运行也一样，但是文件8.0下只有文件下sample没有别的。
本来想可能服务器之前有人装过吧，就配置了环境变量，但是最后 nvcc 时报错 nvcc not found。
事实上 cuda/bin 下有 nvcc，也确实加入了环境变量[12]。无法解决，于是决定还是不管服务器中已有的cuda，还是重装一下。
最终实现结果：
cuda-8.0 和 cuda-9.0-copy 是原本服务器中有的，cuda-9.0是新安装的。
在新安装完成后重新运行sample，结果如下：
（sudo make前）
执行最后一句后，显示出了该GPU的CUDA支持的cc为2.0[19]：
2. 在添加环境变量时，本来想添加到 ~/.bashrc 中，但是出现了报错，且打开后是一片空白。根据[13]，是因为我在之间添加环境变量时不正常关闭了文件，于是输入如下命令：
sudo rm -f ~/.bashrc.swp vim ~/.bashrc # 往文件中输入环境变量配置 sudo su source /home/lyt/.bashrc su lyt根据[11]，配置到用户级而不是系统级。
安装cuDNN7.3（for CUDA9.0）
下载网址：https://developer.nvidia.com/rdp/cudnn-download
需要注册一下账号，然后选择对应的版本：
将 下载好的“ cudnn-9.0-linux-x64-v7.3.0.29.solitairetheme8 ”文件传到服务器的 /usr/local下，转成tgz格式[14]，再解压：
sudo cp cudnn-9.0-linux-x64-v7.3.0.29.solitairetheme8 cudnn-9.0-linux-x64-v7.3.0.29.tgz sudo tar -zxvf cudnn-9.0-linux-x64-v7.3.0.29.tgz将解压后生成的cuda文件夹中的 cudnn.h 文件和lib文件拷贝到cuda9.0（CUDA安装目录）文件夹中对应位置：
sudo cp /usr/local/cuda/include/cudnn.h /usr/local/cuda-9.0/include/ sudo cp /usr/local/cuda/lib64/libcudnn* /usr/local/cuda-9.0/lib64/ -d可能是现在新版本的cuda默认就已经有了这些文件？先不管，继续下一步。
赋予执行权限：
sudo chmod a+x /usr/local/cuda-9.0/include/cudnn.h sudo chmod a+x /usr/local/cuda-9.0/lib64/libcudnn*
安装tensorflow-1.12
根据[6]，检查python3、pip3、virtualenv是否安装，并安装对应项：
python3 --version pip3 --version virtualenv --version sudo apt update sudo apt install python3-dev python3-pip sudo pip3 install -U virtualenv进入 ~/Project 目录，创建python虚拟环境：
cd ~ sudo mkdir Project cd Project sudo virtualenv --system-site-packages -p python3 ./venv建立软连接（此时在~目录，即/home/lyt目录下）：
sudo ln -s ./Project/venv/bin/activate venv之后使用此虚拟环境时，激活和关闭命令如下：
source venv deactivate安装tensorflow1.12-gpu：
sudo pip3 install tensorflow-gpu==1.12查看是否安装成功：
python3 list
备注：
1. 如果虚拟环境建错位置了，直接删除对应文件夹即可，非空文件夹的删除命令[15]：
sudo rm -rf venv # 非空文件夹 sudo rm test1 # 文件 sudo rmdir test # 空文件夹2. 如果pip安装速度过慢，可永久修改pypi源，提升下载速度[6]。
新建 ~/.pip/pip.conf ：
sudo mkdir .pip sudo vim .pip/pip.conf添加内容：
[global] index-url = https://mirrors.aliyun.com/pypi/simple [install] trusted-host=mirrors.aliyun.com3. 虽然tf-gpu装好了，但是在实际运行的时候好像并不能使用gpu进行计算，运行[16]中的例子：
import tensorflow as tf a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a') b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b') c = tf.matmul(a, b) sess = tf.Session(config=tf.ConfigProto(log_device_placement=True)) print(sess.run(c))运行结果显示使用的是CPU：
根据[17]的回答，我的GPU只能支持2.0，而它需要cuda capability大于3.5才可用：
（有些旧版本可能要求低一点，但至少都是3.0）
并且好像这是一个硬件问题..唯一的解决办法就是更换一块GPU，总之就是无法在此GPU上运行tensorflow。
根据[18]的最新更新，似乎有办法用非官方的方法在cc2.0上运行，但效果不尽人意：
算了我还是先这么用着吧，如果以后遇到了问题再说。
参考文档
[1] tensorflow文档
[2] Ubuntu下安装NVIDIA驱动的三种方法
[3] Ubuntu 18.04 安装 NVIDIA 显卡驱动
[4] ubuntu-drivers: command not found解决办法
[5] CUDA TOOLKIT DOCUMENTATION
[6] Ubuntu18.04 + CUDA9.0 + cuDNN7.3 + Tensorflow-gpu-1.12 + Jupyter Notebook深度学习环境配置
[7] pscp实现windows传输文件给linux
[8] Ubuntu如何查看计算机安装好Cuda
[9] 如何解决make: Nothing to be done for `all' 的方法
[10] 使用source命令的时候提示source: command not found错误解决
[11] linux 环境变量设置方法总结（PATH / LD_LIBRARY_PATH）
[12] nvcc --version显示错误
[13] Found a swap file by the name "~/.bashrc.swp"
[14] 如何在linux下解压 .solitairetheme8 文件
[15] ubuntu删除非空文件夹
[16] TensorFlow 官方文档中文版
[17] tesla c2075 with tensorflow cuda version installation [duplicate]
[18] How can I make tensorflow run on a GPU with capability 2.x?
[19] 关于设备CUDA的信息查询
[20] ubuntu18.0、nvidia驱动435，安装CUDA10.0失败解决方案