一、參考鏈接：
https://github.com/dusty-nv/jetson-inference
https://github.com/NVIDIA/DIGITS/blob/digits-6.0/docs/BuildDigits.md
https://github.com/NVIDIA/DIGITS/blob/digits-6.0/docs/BuildCaffe.md
二、安裝步驟：
在閱讀本教程之前，請確保自己已經按照要求完成Ubuntu 16.04主機與Jetson的連接刷機，並在主機上安裝好了Jetpack。
1、安裝英偉達的驅動
需要在主機PC上安裝NVIDIA PCIe驅動程序才能實現GPU加速訓練。從主機PC運行以下命令安裝NVIDIA驅動程序：
sudo apt-get install nvidia-384 # 我用的是nvidia-410
sudo reboot
重新啓動之後，通過lsmod命令列出nvidia驅動程序的相關信息：
lsmod | grep nvidia
要驗證CUDA工具包和NVIDIA驅動程序是否正常工作，請運行CUDA示例附帶的一些測試：（這一步可以跳過，但最好還是驗證一下）：
cd /usr/local/cuda/samples
sudo make
cd bin/x86_64/linux/release/
./deviceQuery
./bandwidthTest --memory=pinned
2、安裝cuDNN
下一步是在主機PC上安裝NVIDIA cuDNN庫。從NVIDIA cuDNN網頁下載libcudnn和libcudnn軟件包（需要登錄英偉達官網）：
https://developer.nvidia.com/cudnn
更具CUDA的版本選擇合適的cuDNN版本下載，我的CUDA版本是9.0所以選擇第三個，在Ubuntu 16.04的三個Deb文件都下載下來：
下載完成後進入下載文件的目錄下，執行以下命令：
sudo dpkg -i libcudnn<version>_amd64.deb
sudo dpkg -i libcudnn-dev_<version>_amd64.deb
sudo dpkg -i libcudnn-doc_<version>_amd64.deb
3、安裝NVcaffe
NVcaffe是Caffe的NVIDIA分支，優化了GPU。 NVcaffe需要cuDNN，並由DIGITS用於訓練DNN。要安裝它，請從GitHub複製NVcaffe repo，並使用caffe-0.15分支從源代碼編譯。
首先，安裝相關的依賴文件：
sudo apt-get install --no-install-recommends build-essential cmake git gfortran libatlas-base-dev libboost-filesystem-dev libboost-python-dev libboost-system-dev libboost-thread-dev libgflags-dev libgoogle-glog-dev libhdf5-serial-dev libleveldb-dev liblmdb-dev libopencv-dev libsnappy-dev python-all-dev python-dev python-h5py python-matplotlib python-numpy python-opencv python-pil python-pip python-pydot python-scipy python-skimage python-sklearn
下載caffe 0.15的源碼：
export CAFFE_ROOT=~/caffe ##把caffe路徑寫入CAFFE_ROOT變量中
git clone https://github.com/NVIDIA/caffe.git $CAFFE_ROOT -b 'caffe-0.15'
控制檯進入caffe文件目錄下，安裝caffe的相關PyPI 包，這裏caffe中原有的requirements.txt需要進行若干修改，否則會在之後的安裝中出現很大的麻煩，修改後的文件如下所示：
Cython>=0.19.2
numpy>=1.7.1
scipy>=0.13.2
scikit-image>=0.9.3,<=0.10.1
matplotlib>=1.3.1
ipython>=3.0.0
h5py>=2.2.0
leveldb>=0.191
networkx>=1.8.1
nose>=1.3.0
pandas>=0.12.0
python-dateutil>=1.4
protobuf>=2.5.0
python-gflags>=2.0
pyyaml>=3.10
Pillow>=2.3.0
six>=1.1.0
保存之後執行以下命令,一定不要忘了最後的--user：
pip install -r $CAFFE_ROOT/python/requirements.txt --user
最後使用CMake對caffe進行編譯，推薦用這種方式，而不是make all的方式：
cd $CAFFE_ROOT
mkdir build
cd build
cmake ..
make -j"$(nproc)"
make install
4.編譯DIGITS
先決條件，運行以下的命令，獲取一些包存儲庫的路徑：
CUDA_REPO_PKG=http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_8.0.61-1_amd64.deb
$ ML_REPO_PKG=http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb
# Install repo packages
wget "$CUDA_REPO_PKG" -O /tmp/cuda-repo.deb && sudo dpkg -i /tmp/cuda-repo.deb && rm -f /tmp/cuda-repo.deb
wget "$ML_REPO_PKG" -O /tmp/ml-repo.deb && sudo dpkg -i /tmp/ml-repo.deb && rm -f /tmp/ml-repo.deb
# Download new list of packages
sudo apt-ge
安裝依賴項：
sudo apt-get install --no-install-recommends git graphviz python-dev python-flask python-flaskext.wtf python-gevent python-h5py python-numpy python-pil python-pip python-scipy python-tk
下載源碼：
# example location - can be customized
DIGITS_ROOT=~/digits
git clone https://github.com/NVIDIA/DIGITS.git $DIGITS_ROOT
Python包的安裝，首先進入digits文件目錄：
pip install -r $DIGITS_ROOT/requirements.txt --user
啓動服務器，在digits文件路徑下，執行下面的命令，出現圖示的結果則大功告成：
./digits-devserver
在瀏覽器中打開：http://localhost:5000/
