在深度學習中，服務器的GPU可以極大地加快算法的執行速度，不同版本的TensorFlow默認使用的GPU版本不同，導致與服務器無法兼容，這就需要根據服務器的GPU版本，重新編譯TensorFlow源碼。
歡迎Follow我的GitHub：https://github.com/SpikeKing
檢查GPU
檢測服務器的GPU，用於在編譯中選擇合適的GPU版本。CUDA是NVIDIA發佈的GPU上的並行計算平臺和模型，多數GPU的運行環境都需要CUDA的支持。
導入CUDA的環境變量，具體的cuda版本，在/usr/local中查看。
export PATH=/usr/local/cuda-8.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH檢查CUDA版本，使用nvcc命令，當前CUDA版本是8.0.61：
nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2016 NVIDIA Corporation
Built on Tue_Jan_10_13:22:03_CST_2017
Cuda compilation tools, release 8.0, V8.0.61或，查看version文件，當前CUDA版本是8.0.61：
cat /usr/local/cuda/version.txt
CUDA Version 8.0.61檢查cuDNN的版本，當前cuDNN版本是6.0.21：
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
#define CUDNN_MAJOR 6
#define CUDNN_MINOR 0
#define CUDNN_PATCHLEVEL 21
--
#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)
#include "driver_types.h"檢測GPU數量和型號，當前服務器的GPU數量是4：
nvidia-smi
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 375.26 Driver Version: 375.26 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 TITAN X (Pascal) Off | 0000:02:00.0 Off | N/A |
| 23% 20C P0 54W / 250W | 0MiB / 12189MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
| 1 TITAN X (Pascal) Off | 0000:03:00.0 Off | N/A |
| 23% 21C P0 54W / 250W | 0MiB / 12189MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
| 2 TITAN X (Pascal) Off | 0000:83:00.0 Off | N/A |
| 23% 21C P0 55W / 250W | 0MiB / 12189MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
| 3 TITAN X (Pascal) Off | 0000:84:00.0 Off | N/A |
| 0% 21C P0 51W / 250W | 0MiB / 12189MiB | 2% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| No running processes found |
+-----------------------------------------------------------------------------+TensorFlow編譯
參考TensorFlow的官方文檔。
Bazel
Bazel是構建和測試軟件的工具。在Ubuntu服務器中，支持apt工具安裝Bazel，參考。
安裝JDK（Install JDK 8）：
sudo apt-get install openjdk-8-jdk添加Bazel的發佈URI作爲包源（Add Bazel distribution URI as a package source）
echo "deb [arch=amd64] http://storage.googleapis.com/bazel-apt stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.list
curl https://bazel.build/bazel-release.pub.gpg | sudo apt-key add -安裝Bazel（Install and update Bazel）
sudo apt-get install bazel與官網略有不同，不需要更新apt-get，因爲storage.googleapis.com可能無法訪問。
檢查Bazel版本：
bazel version輸出，Bazel安裝成功：
Build label: 0.15.0
Build target: bazel-out/k8-opt/bin/src/main/java/com/google/devtools/build/lib/bazel/BazelServer_deploy.jar
Build time: Tue Jun 26 12:10:19 2018 (1530015019)
Build timestamp: 1530015019
Build timestamp as int: 1530015019導入CUDA
與官方文檔不同，不需要安裝libcupti和cuda-command-line-tools，已經包含在CUDA文件夾中，導入CUDA文件夾即可。
export PATH=/usr/local/cuda-8.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH編譯源碼
下載TensorFlow源碼
git clone https://github.com/tensorflow/tensorflow配置編譯，選擇GPU支持。
./configure
Please specify the location of python. [Default is /data2/wcl1/tensorflow/venv/bin/python] ## 選擇Python的版本，2或3
## 其餘選N或n
Do you wish to build TensorFlow with CUDA support? [y/N]: y # 選擇GPU版本，y
CUDA support will be enabled for TensorFlow.
Please specify the CUDA SDK version you want to use. [Leave empty to default to CUDA 9.0]: 8.0 # CUDA版本，與服務器一致，8.0
Please specify the cuDNN version you want to use. [Leave empty to default to cuDNN 7.0]: 6.0 # cuDNN版本，與服務器一致，6.0
## 其餘選N，或默認
Do you want to use clang as CUDA compiler? [y/N]: N ## 選擇nvcc
nvcc will be used as CUDA compiler.
## 其餘選N，或默認
Configuration finished構建GPU包：
bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_packagelibdevice異常：
Cannot find libdevice.10.bc under /usr/local/cuda-8.0則，修改/usr/local/cuda-8.0/nvvm/libdevice/的libdevice.compute_50.10.bc爲libdevice.10.bc，同時，複製到/usr/local/cuda-8.0/中。
cd /usr/local/cuda-8.0/nvvm/libdevice/
sduo cp libdevice.compute_50.10.bc libdevice.10.bc
sudo cp libdevice.compute_50.10.bc /usr/local/cuda-8.0/libdevice.10.bcBazel的構建時間較長，耐心等待…，共9945步，依次執行。
將構建完成的數據，轉換爲whl的pip支持包，默認存放於/tmp/tensorflow_pkg文件夾中：
bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg使用pip安裝軟件包，TensorFlow的1.9版本，支持GPU：
pip install /tmp/tensorflow_pkg/tensorflow-1.9.0rc0-cp27-cp27mu-linux_x86_64.whl -i https://pypi.douban.com/simple檢查是否安裝成功，**退出**TensorFlow文件夾，進入Python的shell，執行：
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))platform異常，原因是位於tensorflow文件夾下，import導入tensorflow的包：
No module named tensorflow.python.platform則，退出tensorflow文件夾，再進入Python的shell，導入tensorflow包即可。
檢查是否可用GPU，執行：
from tensorflow.python.client import device_lib
local_device_protos = device_lib.list_local_devices()
print "all: %s" % [x.name for x in local_device_protos]
## 輸出
all: [u'/device:CPU:0', u'/device:GPU:0', u'/device:GPU:1', u'/device:GPU:2', u'/device:GPU:3']注意：遇到在編譯TensorFlow之後，無法執行nvidia-smi，卡住（Stuck），在重啓服務器之後，恢復正常，原因不明，可能GPU資源未完全釋放，又進行二次加載，導致異常。
OK, that’s all! Enjoy it!