最近花了两三天左右的时间从零开始配置深度学习的环境，查看了大量的博客，也踩了一些坑，谨以此篇记录一些经验，希望能对志同道合的各位有所帮助
NVIDIA显卡驱动安装：
现在官网查看硬件对应的版本，查看网址：https://www.nvidia.com/Download/index.aspx?lang=en-us
查看好所对应的版本后通过添加ppa源的方式下载
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
sudo apt-get install nvidia-390 #此处要根据上面查询到的版本适当更改
sudo apt-get install mesa-common-dev
sudo apt-get install freeglut3-dev
安装好后重启，并在终端内输入以下命令行进行测试
nvidia-smi #若出现电脑GPU列表，即安装成功
CUDA10安装
和显卡驱动安装一致，首先去官网查询自己所需要安装的版本，网址https://developer.nvidia.com/cuda-downloads
在这里我选择的时deb(network)安装的方式，较为简单，先下载deb文件，deb安装包下载好后，按照下载地址中指示代码，进入安装包所在路径进行安装
成功安装完后需要设置环境变量，终端中输入
sudo gedit /etc/profile
在打开的文件末尾，添加以下两行：
#64位系统：
export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64\
${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
#32位系统：
export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib\
${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
这里有点与官方安装文档稍有不同，需要说明，官方文档里说只需在终端中运行上述两条export语句即可，但如果不将它们不写入/etc/profile文件的话，这样的环境变量在你退出终端后就消失了，不起作用了，所以写入才是永久的做法。
保存文件，并重启。因为source /etc/profile是临时生效，重启电脑才是永久生效。
接着在终端中输入命令行来查看环境变量是否设置成功：
nvcc --version
如果输出了版本信息，则成功，如果显示
The program 'nvcc' is currently not installed. You can install it by typing:
sudo apt-get install nvidia-cuda-toolkit
则可能是环境配置没有成功，需要重新设置
一切就绪后可编译cuda提供的example来验证是否安装成功，网上例子较多，此处不再重复
CUDNN7安装
同先前安装一样，在官网查询对应的版本号，查询地址：https://developer.nvidia.com/cudnn
注意此处需要注册帐号登录后才可下载，我用的是google登录
下载时不要选择那三个deb文件，不知道为什么老是无法安装成功，选择前面的tgz文件进行安装最好，例：
cudnn-10.0-linux-x64-v7.tgz
将此安装包下载好，后解压。接着将文件夹中的两个文件分别复制到对应的文件夹中就好
sudo cp cuda/include/cudnn.h /usr/local/cuda10.0/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda10.0/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
查看cudnn是否安装正确：
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
若为这样
则正确
（P.S:按照官网教程即可顺利安装，官网教程地址：cudnn安装官网教程）
(补上一段命令，貌似加不加上都可以，附上以作备用)
cd /usr/local/cuda10.0/lib64/#进入路径
sudo rm -rf libcudnn.so libcudnn.so.5 #删除原有动态文件
sudo ln -s libcudnn.so.6.0.21 libcudnn.so.6 #生成软衔接
sudo ln -s libcudnn.so.6 libcudnn.so #生成软链接
Pytorch安装
老规矩，官网查询，地址: pytorch
许多教程说在“Run this command”下会显示安装PyTorch的命令。如果Ubuntu下已经配置过pip的话，可以直接使用pip命令安装成功PyTorch,但是速度十分缓慢，建议直接到“Run this command”里的下载地址里进行下载，速度很快。
如上图所示，下载torch-0.2.0.post3-cp36-cp36m-manylinux1_x86_64.whl。其中，0.2.0表示PyTorch版本，cp36表示支持Python3.6，cuda80表示支持GPU版本，电脑有GPU的话须选择该项，注意检查是否是自己所需的对应项。
下载完后，进入文件所在的目录进行安装：
pip install torch-0.2.0.post3-cp36-cp36m-manylinux1_x86_64.whl
#如果pip install安装不成功则使用sudo pip3 install 下面note里有提到
同理，安装torchvision
pip install torchvision
#sudo pip3 install torchvision
安装成功后在终端里输入
python
import torch
import torchvision
若无报错，最后输入如图所示：
返回True则成功。
最终验证安装程序
import torch
# 若正常则静默
a = torch.tensor(1.)
# 若正常则静默
a.cuda()
# 若正常则返回 tensor(1., device='cuda:0')
from torch.backends import cudnn
# 若正常则静默
cudnn.is_available()
# 若正常则返回 True
cudnn.is_acceptable(a.cuda())
# 若正常则返回 True
大功告成，环境配置安装就此结束，可以开始愉快的深度学习之旅了
NOTE:
1.读取写入文件/文件夹权限不够时，采用
sudo nautilus
进行操作。
2. 在命令
pip3 install <packagename>
提示权限不够时，可用命令
sudo pip3 install <packagename>
继续操作