一、安裝tensorflow-gpu環境
Tensorflow-gpu 官網：https://www.tensorflow.org/install/pip
1、激活conda環境
參考《Ubuntu 18.04 LTS操作系統的Conda安裝及配置》
2、pip3安裝tensorflow-gpu
pip3 install --ignore-installed --upgrade tensorflow-gpu=1.13.1
3、查看 GPU支持
Tensorflow-gpu官網查看 ： https://www.tensorflow.org/install/gpu
軟件要求：
必須在系統中安裝以下 NVIDIA® 軟件：
NVIDIA® GPU 驅動程序 - CUDA 10.0 需要 410.x 或更高版本。
CUDA® 工具包 - TensorFlow 支持 CUDA 10.0（TensorFlow 1.13.0 及更高版本）
CUDA 工具包附帶的 CUPTI。
cuDNN SDK（7.4.1 及更高版本）
（可選）TensorRT 5.0，可縮短在某些模型上進行推斷的延遲並提高吞吐量。
根據要求主要安裝CUDA 10.0和cuDNN 7.4.1
二、安裝CUDA 10.0 + CUDNN 7.4.1環境
1、下載並安裝CUDA 10.0
1）進入下載頁面
下載地址：https://developer.nvidia.com/cuda-toolkit-archive
選擇【CUDA Toolkit Archive】--> 【Archived Releases】-->
CUDA Toolkit 10.0(Sept 2018)
2）選擇軟件
按如下選擇
下載地址： https://developer.download.nvidia.cn/compute/cuda/10.0/secure/Prod/local_installers/cuda_10.0.130_410.48_linux.run?7sW17FsbLAfFJTdNtkEFKRyv-qY-yJSUHjZeRHsf2kF8vfYm6KtYibzmIybSBpvfuJTicLX4pDlaroKw0Gdi0I7RmGhTsRi8v7GFBEMBK-L9_PcOy0-bdXlLzY6bbUXQJeN0Jq4i5h18KM7vQyuaq5D8xlVIvvUwhWZYO4Iv54OcPi142jAcg15iWJI
下載文件名：uda_10.0.130_410.48_linux.run
3） 安裝
在終端中執行下如下命令安裝：
sudo sh cuda_10.0.130_410.48_linux.run
將軟件安裝在/usr/local/cuda-10.0目錄
2、下載並安裝 cuDNN 7.4.1
（需要nvidia官網developer.nvidia.com註冊賬號才能下載）
1 ） 進入下載頁面下載
下載地址：https://developer.nvidia.com/rdp/cudnn-archive
下載【cuDNN Library for Linux】
下載地址：
下載文件名：
cudnn-10.0-linux-x64-v7.4.1.5
2） 安裝
解壓文件
tar xvfz cudnn-10.0-linux-x64-v7.4.1.5
拷貝文件到/usr/local
cp -rfv cuda /usr/local
3） 修改環境變量
修改/etc/profile 或者 ~/.bashrc ，添加如下環境變量
export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64"
export CUDA_HOME=/usr/local/cuda
4）更新系統環境
source /etc/profile
sudo ldconfig
3、驗證
1）【nvidia-smi】
Tue Aug 13 11:25:30 2019
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 410.48 Driver Version: 410.48 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce GTX 108... Off | 00000000:03:00.0 Off | N/A |
| 0% 29C P8 13W / 250W | 16MiB / 11177MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 1485 G /usr/lib/xorg/Xorg 13MiB |
+-----------------------------------------------------------------------------+
2）【nvcc -V 】
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sat_Aug_25_21:08:01_CDT_2018
Cuda compilation tools, release 10.0, V10.0.13
三、Tensorflow 驗證
1、查看是否使用GPU
（在python開發環境下執行如下程序）
>>>import tensorflow as tf
>>>tf.test.gpu_device_name()
….
Found device 0 with properties:
name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.683
pciBusID: 0000:03:00.0
totalMemory: 10.92GiB freeMemory: 10.75GiB
…..
'/device:GPU:0'
….
2.查看在使用哪個GPU
>>>from tensorflow.python.client import device_lib
>>>device_lib.list_local_devices()
…
incarnation: 16567897232232910199
physical_device_desc: "device: XLA_CPU device"
, name: "/device:GPU:0"
device_type: "GPU"
memory_limit: 10961603789
locality {
bus_id: 1
links {
}
}
…
3、Tensorflow應用程序
>>>import tensorflow as tf
>>>hello = tf.constant('Hello, TensorFlow!')
>>>sess = tf.Session()
>>>print(sess.run(hello))