自建 GPU 服务器 搭建gpu服务器
系统信息：
Ubantu18.04，GPU：Tesla P100
1. 使用Xshell 登录服务器
2. 安装nvidia驱动
根据服务器nvidia信息，下载对应版本的驱动（http://www.nvidia.com/Download/index.aspx?lang=en-us）
查看nvidia信息的命令
lspci | grep -i nvidia将下载好的驱动文件传输到服务器文件夹下，依次输入以下两行命令，根据提示选择accept和yes,安装结束。
sudo apt-get install linux-headers-$(uname -r) sudo sh NVIDIA*.run3.安装CUDA toolkit
官网下载CUDA toolkit对应版本（https://developer.nvidia.com/cuda-downloads），刚开始我选择的是最新的cuda_10.0,但是TensorFlow-gpu等对应的版本还没有，所以后面一直不成功。后来我选择了比较成熟的cuda_9.0，下载的是runfile本地安装。下载好同样上传到服务器。（ps:虽然我的ubantu是18.04版本，但是这里选16.04也不影响）
根据官网的提示命令安装，或者使用命令
sudo sh cuda*.run当出现下图所示情况时候，是CUDA的协议，按着enter往下走，一直到100%
接下来，输入accept，yes,注意接下来的一定要选择no,否则会出错（具体为什么出错暂时不知道）。
出现这样的字样，安装结束
注：如果第二行出现：toolkit installation failed using unsupported compiler，则将上文的安装命令后面添加-override即可，即
sudo sh cuda*.run -override
最后，添加环境变量
sudo vi /etc/profile在打开的文件最后添加cuda的地址
export PATH=/usr/local/cuda-9.0/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH保存，退出，通过source命令使更改生效，并检查CUDA是否安装完成
source /etc/profile 使更改生效。 nvcc –V 检查CUDA4. 安装CUDNN
官网下载和CUDA对应的版本（https://developer.nvidia.com/rdp/cudnn-download ），需要注册。然后解压文件，一次执行以下命令
tar -xvzf cudnn-9.0-linux-x64-v7.1.tgz cd cuda sudo cp include/cudnn.h /usr/local/cuda/include sudo cp lib64/libcudnn.* /usr/local/cuda/lib64CUDNN安装完成。
5. 安装anaconda
在官网下载anaconda（https://www.continuum.io/downloads）。上传到服务器，使用如下命令安装。
sudo sh Anaconda3-5.2.0-Linux-x86_64.sh根据提示，如果出现是否添加环境变量选择yes,如果选择了no，可以之后手动添加，方法如下：
sudo vi ~/.bashrc在最后添加：
export PATH=$PATH:/home/userName/anaconda3/bin:$PATH保存退出，使用source使命令生效。
source ~/.bashrc所有这些都做好之后，记得关闭Xshell连接，重新连上才能conda信息。
6.安装TensorFlow-GPU
使用pip 命令,网速不好，耐心等待。也可以直接到官网先下载好，然后本地安装（https://pypi.org/project/tensorflow-gpu/#files）
pip install tensorflow-gpu测试：
import tensorflow as tf hello = tf.constant('Hello, TensorFlow!') sess = tf.Session() print(sess.run(hello))出现如下log信息，则说明环境搭建ok.
7. 为服务器添加普通用户
sudo useradd -m -s /bin/bash userName sudo passwd userName #为这个用户设置密码删除用户
sudo userdel -r userName
备注：
服务器环境搭建jupyter可以直观的看到文件夹信息，如何搭建请参看下面链接：
。
参考网址：