作为使用最广泛的深度学习框架,TensorfLow支持Windows、Linux、MacOs等多种操作系统。Linux系统作为服务器部署环境十分常见，本章我们将学习在Linux操作系统下Tensorflow的安装及基于NVIDIA GPU的Cuda(GPU并行计算框架)、cudnn(深度学习加速平台)的安装配置。
主要学习内容:
- Linux平台下安装Python发行版Anaconda
- Linux平台下安装Tensorflow及cuda、cudnn的安装配置
- 编写测试代码，测试安装是否成功
一、安装Anaconda
Python环境建议使用Anaconda发行版，它是在数据科学和人工智能领域最常用的Python发行版本，整合了包括Numpy、Pandas、MatplotLib在内的大量常用的工具库，并整合了Jupyter Notebook。
第1步、进入Anaconda官方网站，下载Linux系统下所需版本的Anaconda，按以下步骤安装:
(1) 打开用户终端Terminal。
(2) 输入cd命令，进入Anaconda下载文件所在的位置。
(3) 输入bash命令，运行.sh文件。
第2步、按Enter键,出现软件许可协议内容，连续按Enter键阅读完，之后询问“你是否接受协议?”，输入yes，按Enter键确认。
第3步、选择安装位置或使用默认安装位置，确认后开始解压安装。
第4步、询问"是否初始化Anaconda3?"(即是否将Anaconda3加入操作系统的环境变量中)，输入“yes”，回车。
如果这一步没有输入，则需要安装完毕后手工配置环境变量(见第7步)。
第5步、出现提示“Thank you for installingAnaconda3! ”，说明已经安装完毕。
第6步、验证Anaconda的安装及初始化是否完成:
重启终端，分别输入
python -V
和
conda -V
如果出现版本号，则表明安装及初始化成功;如果提示“未找到命令”，则需手工设置环境变量(见第7步)。
第7步、手工初始化Anaconda。
如果在安装过程中没有选择初始化Anaconda(第4步没有选择输入“yes”)，安装完毕后可以手动将anaconda添加到环境变量中。
打开终端，输入:
sudo gedit ~/.bashrc
回车打开文体，在文件末尾输入
export PATH="/home/zzq/anaconda3/bin;$PATH"
(/home/zzq/anaconda3/bin替换成本机anaconda3的实际安装路径)，点击Save，退出。
重启终端，按第7步的方法验证是否初始化成功。
二、安装Tensorflow
方法1、直接使用pip安装。
控制台下输入:
pip install tensorfLow==2.1.0
如果速度较馒，可以使用清华镜像:
pip install tensorflow==2.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
方法2、下载离线包(.whL文件),本地安装。
打开pypi.org网站，搜索tensorfLow，找到并下载相应版本。注意对应的python版本(cp+数字)，这里我们下载的是Linux下python3.7 (cp37)的tensorfLow2.1.0版。
下载完毕后,使用“pip install文件名”进行安装。
安装完毕后，测试是否成功:打开Jupyter Notebook,新建文档，输入下列代码，看能否正确输出。
import tensortflow as tftf.print('Hello，tensorflow!')
tf.print(tf.__version__) # 输出tf的版本号
也可以直接在终端进入python提示符,输入上述代码进行测试。
三、安装Cuda
1、Cuda和cudnn分别是NVIDIA提供的并行计算和神经网络加速平台，如果计算机中有NVIDIA的GPU，则可以安装这两项以提升运算性能。
2、cudnn可以看做是Cuda针对神经网络的扩展计算库，需要先安装Cuda，然后再将cudnn拷入。
3、需要注意的是，Cuda、cudnn以及TensorfLow的不同版本间存在不兼容的情况，需下载旭互兼容的版本，否则会导致安装失败。本例中我们安装的TensorfLow版本是2.1.0，结合显卡的型号【(不同的NVIDIA显卡支持的Cuda版本也不同】可以使用Cuda10.1和cudnn7.6.5。
4、Linux下查看本机显卡支持的Cuda最高版本的方法如下:
打开终端，输入“nvidia-smi”
(需要事先安装好NVIDIA驱动)，
查看本机支持的Cuda最高版本，不能安装高于此版本的Cuda。
5、下载安装Cuda
下载地址:
https://developer.nvidia.com/cuda-toolkit-archive
选择目标平台和安装类型，选好后下载，下载完成后按照安装说明进行安装。(deb是比较不容易出错的安装方式，建议选用)
6、配置Cuda环境变量
按步骤安装完毕后，配置Cuda环境变量;
输入
vim ~/.bashrc
添加以下内容:
export CUDA_HOME=/usr/local/cuda
export PATH=$PATH:$CUDA_HOME/bin
export LD_LIBRARY_PATH=/usr/locaL/cuda-10.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
7、验证Cuda是否安装成功
方法1、打开终端,输人nvcc -V命令，查看Cuda版本。
方法2、使用python代码验证cuda是否可用。
四、下载安装cudnn
cudnn是Cuda中的神经网络扩展计算库，下载后将其解压并Copy到Cuda相应目录下即可。
1、下载与Cuda对应版本的cudnn。
地址
https://developer.nvidia.com/rdp/cudnn-download
需注册账号。
2、使用tar命令解压cudnn文件。
tar -zxvf cudnn-10.1-Linux-x64-v7.6.4.38.soLitairetheme8
解压出一个名为cuda的目录。
3、拷贝解压出的文件到Cuda的安装目录中。
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/sudo chmod a+r /usr/local/cuda/include/cudnn.hsudo chmod a+r /usr/local/cuda/lib64/libcudnn*
五、最终验证安装是否成功
打开Jupyter Notebook，输入下列代码，验证TensorfLow/Cuda/cudnn平台的安装情况，查看GPU支持是否存在。
六、总结
1.TensorfLow是目前企业应用最为广泛的深度学习框架，我们在Linux操作系统下完成了TensorfLow的安装及基于NVIDIA GPU的Cuda (GPU并行计算框架)、cudnn(深度学习加速平台)的安装配置。
2.需要先安装python环境，建议使用Python的Anaconda发行版，该版本集成了多个科学计算包，广泛应用于数据处理与人工智能领域。
3.TensorfLow、Cuda和cudnn的版本存在不兼容的情况，需要提前查询相应的对应关系。另外，不同的NVIDIA GPU显卡支持的Cuda版本也不同，需要查询确定。
4.cudnn本质上是cuda的深度学习加速包，安装时只需要复制相应的目录到cuda目录下即可。
5.需要掌握测试安装是否成功的方法。
