1.序

這篇文章的目的是Tensorflow環境配置的經驗和流程總結，涉及3個部分：

1）裝ubuntu並配置顯示卡驅動；

2）裝CUDA+cuDNN庫並解決cuda與顯示卡驅動衝突問題

3）以常用的科學計算python包Anaconda為基礎，Tensorflow放於其子環境中，並配置好程式設計介面jupyter或spyder

2. Tensorflow簡介和我的筆記本硬體配置

目前對電子和計算機行業的學生來說深度學習可以說是必備技能了，Google的Tensorflow又是企業化的、比較有前途的深度學習庫之一。

Tensorflow的不支援windows，必須在Linux下開發。

其他相對出名的庫有微軟的CNTK，學術性質較濃的Theano及其變種sklearn-theano，以及Caffe，Torch，mxnet等。

另外Keras是一個高層模組庫，底層是Tensorflow或者Theano，並且還有中文文件，也是個不錯的選擇。

我這篇介紹裡下的是GPU Enabled的Tensorflow包，所以裝CUDA。如果你選的是CPU only的就不用，但是運算起來那幾個測試程式就多大概一倍時間。

所以可以的話還是儘量珍惜生命，選用GPU Enabled的Tensorflow。畢竟平行計算也挺火的，挺適合神經網路訓練。

我的筆記本硬體配置：

微星GE60-2OD 

intel i7-4700HQ(HD4600整合顯示卡) + NVIDIA GTX765m

256G SSD + 756G的希捷SSD-HDD混合硬碟（含8GSSD），全都是GPT分割槽

8G 記憶體

3.下面開始介紹經過3天試錯得到的正確的流程

注：在此之前建議大家先看下Tensorflow官網的“Get Started”，內有詳細流程，只不過不會詳說CUDA和顯示卡驅動衝突等瑣碎問題。

1）裝ubuntu15.04。

裝之前我的256G的SSD上windows10的C盤佔了80G。win10也是EFI啟動引導。為了ubuntu在SSD上又分出來了40G

因為目前CUDA目前只支援15.04 和 14.04，而14.04在我裝完NVIDIA顯示卡驅動後直接黑屏，只能用NVIDIA-prime選intel進入。要是直接裝完CUDA再重啟竟然連命令列介面都打不開了，所以果斷拋棄。

我是64位系統，所以直接選的第一個

64-bit PC (AMD64) desktop image，注意這裡不是說要AMD的晶片，只不過intel的x86-64也是參考AMD64架構的，所以無論intel還是AMD的晶片都能用，但我的機器是intel的。

注意分割槽的時候不要讓自動裝，手動分割槽就行。

我測試過後覺得最好的方案是3~4個分割槽：A）EXT4的/boot，250M以上即可，用於選中作為EFI引導。實際會用掉190多M，所以不建議和windows的EFI引導區windows boot manager放一起因為空間不夠。也不建議想有些帖子中誤導的預設硬碟不用改什麼的（這種情況下ubuntu會檢測你選中的硬碟自動設定EFI分割槽，也可以用，但是不建議因為其過程不透明） B）直接從下拉選單裡選swap分割槽，中文的話好像是“”交換分割槽“”什麼的，其實就是虛擬記憶體。大小我沒怎麼在意，網上不少帖子說是你記憶體的1~2倍，所以我就分了8個G（8192M）C）root硬碟，仍然選EXT4分割槽，碟符選只有一個“/”的就是root分割槽，也就是系統分割槽，相當於windows中的C盤。D）另外你如果想的話也可以加個/home分割槽，放些雜檔案什麼的，相當於windows中的D、E、F等那些盤。

如果你黑屏了，或者在windows裡面把ubuntu盤格式化了（系統啟動後會進grub介面），這時候u盤裡又沒有映象，啟動後嘗試按F11或F12。一般現在筆記本這個鍵可以選擇從哪兒啟動，選windows進去，再下個映象就行。不用再開一臺電腦。所以我覺得整個過程還是比較保險的。

2）裝NVIDIA 352 驅動。

我裝的時候最新的是367.27，不過鑑於後來要裝的 CUDA Toolkit 7.5 是和352 配套的，於是決定選擇352。

ubuntu裝好後預設驅動是某開源驅動。如果你電腦配置跟我類似的話，不建議從Software & Update中的 Additional Drivers中換驅動。（當然可以試試，能用更好，反正我是重啟黑屏的） 

其實命令列裝也相當簡單保險。直接在Terminal 裡 （或按Alt + Ctrl + F1 進入命令列介面），輸入：

sudo apt-get install nvidia-352 nvidia-settings nvidia-prime 

其中NVIDIA-prime是一個軟體，可以切換nvidia和intel顯示卡。裝完NVIDIA驅動後預設的是nvidia-prime。

3）裝CUDA Toolkit7.5 和 cuDNN v4

先按連結中的要求檢查一下你GPU的compute capability是不是3.0以上。 整個安裝過程按部就班正常裝即可，cuDNN實際上是幾行命令解壓複製到CUDA的對應位置的。沒有難度。 唯一需要注意的是Tensorflow文件裡說的配置環境變數的~/.bash_profile， 在ubuntu裡是~/.profile。 但是裝完後請一定不要立即重啟!!! 下面是非常關鍵的一步，如果你上一步裝完CUDA立即重啟了，很有可能就黑屏或卡在ubuntu介面了。.具體情況是5、6次裡面能開啟一次。 看錯誤報告是是背光亮度的問題。具體原因不詳，但猜測是雖然nvidia-prime，仍然呼叫了某些intel的檔案。 其中的Intel HD Graphic Controllers一欄就是解決方案。 具體來說就是新建檔案/usr/share/X11/xorg.conf.d/80-backlight.conf 檔案內容填寫如下，儲存重啟即可，親測有效：

Section "Device"
    Identifier  "Intel Graphics"
    Driver      "intel"
    Option      "AccelMethod"     "sna"
    Option      "Backlight"       "intel_backlight" # use your backlight that works here
    BusID       "PCI:0:2:0"
EndSection

4）裝Anaconda3和配置Tensorflow環境，以及jupyter和spyder

裝Anaconda3沒什麼好說的，下載檔案執行即可。 配置Tensorflow就是按Tensorflow文件裡所述建一個虛擬環境就行了，這樣和ubuntu系統自帶的區別開來。 這裡看文件的時候注意，由於你裝了Anaconda 3，所以下載Tensorflow包的時候，即使環境建的是Python=3.5的，依然用pip即可，不用pip3。 Jupyter Notebook 其實就是網上常見的Ipython Notebook發展到現在改了個名。 本身是不用配置的，執行時也沒必要在Terminal裡輸入source activate tensorflow。 直接開啟，新建檔案的時候可以選不同虛擬環境的核心。比如我只有Tensorflow子環境，New下面就有2項，一個是Python [root] ，另一個就是Python [Tensorflow]。 至於Spyder IDE，優點就是能夠檢視變數，為了呼叫Tensorflow的python直譯器而不是Anaconda3 預設的python直譯器， 在Tools-->preferences-->Console-->Advanced Settings-->Python Executable中把預設的 /home/"yourusrname"/anaconda3/bin/python 改成 tensorflow子環境的python直譯器目錄即可。注意我寫的“yourusrname”是指代了你的ubuntu使用者名稱。 好了！大功告成！至此為止你就可以放心開發你所需要的東西了！