ubuntu18.04+RTX2080深度學習環境搭建
搭建環境弄了半天，主要是因為各個環境版本號的問題輾轉騰挪了很久，再次記錄一下最終成功run起來的軟硬體版本號：
- cpu 8700K，gpu rtx2080
- ubuntu 18.04 64位
- gcc g++版本調整為7.3（ubuntu18.04的自帶版本）
- NVIDIA驅動 410.78，用run檔案方式安裝！參考https://linuxconfig.org/how-to-install-the-nvidia-drivers-on-ubuntu-18-04-bionic-beaver-linux的Manual Install using the Official Nvidia.com driver
- gcc g++版本調整為5
- CUDA cuda_9.0.176.1_linux (ubuntu17.10 64位版，同時還有4個補丁！，參考https://codertw.com/%E7%A8%8B%E5%BC%8F%E8%AA%9E%E8%A8%80/538832/)
- cudnn libcudnn7_7.0.5.15-1+cuda9.0_amd64（參考6的連結，但附帶examples的測試可略過）
- python3.6
- 如果原環境已安裝了tensorflow，解除安裝python環境原來的tensorflow，用pip install的方式安裝tensorflow-gpu==1.8.0
附帶說一下，用上面1-8的各軟體版本，然後9換成tensorflow-gpu==1.12版本後進行訓練時會提示：
E tensorflow/stream_executor/cuda/cuda_dnn.cc:363] Loaded runtime CuDNN library: 7.0.5 but source was compiled with: 7.1.4. CuDNN library major and minor version needs to match or have higher minor version in case of CuDNN 7.0 or later version. If using a binary install, upgrade your CuDNN library. If building from sources, make sure the library loaded at runtime is compatible with the version specified during compile configuration.
這說明tensorflow-gpu是和cudnn版本是存在對應關係的。貌似可以在此基礎上直接升級cuda9.0對應的cudnn版本號，但是這裡我沒有在折騰了，以後有時間在搗鼓下。
那麼這個cudnn的意義在於哪裡呢？“通過 TensorFlow(或 Theano、CNTK)，Keras 可以在 CPU 和 GPU 上無縫執行。在 CPU 上執行 時，TensorFlow 本身封裝了一個低層次的張量運算庫，叫作 Eigen;在 GPU 上執行時，TensorFlow 封裝了一個高度優化的深度學習運算庫，叫作 NVIDIA CUDA 深度神經網路庫(cuDNN)”，可見這是用英偉達的gpu進行深度學習所依賴的重要元件。
彩蛋環節為搞完這一套軟體後跑了個簡單的tensorflow模型進行基準測試的結果：
Shape: (10000, 10000) Device: /cpu:0
Time taken: 0:00:05.056056
Shape: (10000, 10000) Device: /gpu:0
Time taken: 0:00:00.798914
可見即使是超頻到5G的6核12執行緒的天梯圖頂端的8700K在平行計算方面跟GPU的差距之大，大概就像空手道跆拳道之流和真正的中國功夫的差距那麼大吧，哈哈！