1.安装Tensorflow CPU版本

pip install numpy pandas matplotlib sklearn tensorflow==2.0.0-alpha0 -i https://pypi.doubanio.com/simple

pip install notebook -i https://pypi.douban.com/simple

2.安装Tensorflow GPU版本

据说不需要再去官网下载cuda的驱动了。conda会自动安装。我没有试

2.1.看看gpu是不是在支持列表中

https://developer.nvidia.com/cuda-gpus

2.2.安装nvidia驱动

不要使用其他方法安装，安装后会出现黑屏、紫屏、重启等故障

2.2.1.使用标准Ubuntu 仓库进行自动化安装

这种方法几乎是所有的示例中最简单的方法，也是该教程最为推荐的方法。首先，检测你的NVIDIA显卡型号和推荐的驱动程序的模型。在命令行中输入如下命令：

$ ubuntu-drivers devices
== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 ==
modalias : pci:v000010DEd00001180sv00001458sd0000353Cbc03sc00i00
vendor   : NVIDIA Corporation
model    : GK104 [GeForce GTX 680]
driver   : nvidia-304 - distro non-free
driver   : nvidia-340 - distro non-free
driver   : nvidia-384 - distro non-free recommended
driver   : xserver-xorg-video-nouveau - distro free builtin
== cpu-microcode.py ==
driver   : intel-microcode - distro free

如果执行上述命令没有反应，可以先执行完sudo apt-get update，再执行上述命令。

从输出结果可以看到，目前系统已连接Nvidia GeFrand GTX 680显卡，建议安装驱动程序是 nvidia-384版本的驱动。如果您同意该建议，请再次使用Ubuntu驱动程序命令来安装所有推荐的驱动程序。

输入以下命令：

$ sudo ubuntu-drivers autoinstall

然后重启ubuntu，终端输入nvidia-smi查看驱动信息。

2.2.2.使用PPA仓库进行自动安装

使用图形驱动程序PPA存储库允许我们安装NVIDIA beta驱动程序，但是这种方法存在不稳定的风险。

1.将ppa:graphics-drivers/ppa存储库添加到系统中

$ sudo add-apt-repository ppa:graphics-drivers/ppa
$ sudo apt update

2.识别显卡模型和推荐的驱动程序

$ ubuntu-drivers devices
== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 ==
modalias : pci:v000010DEd00001180sv00001458sd0000353Cbc03sc00i00
vendor   : NVIDIA Corporation
model    : GK104 [GeForce GTX 680]
driver   : nvidia-340 - third-party free
driver   : nvidia-390 - third-party free recommended
driver   : nvidia-387 - third-party free
driver   : nvidia-304 - distro non-free
driver   : nvidia-384 - third-party free
driver   : xserver-xorg-video-nouveau - distro free builtin
== cpu-microcode.py ==
driver   : intel-microcode - distro free

3.安装

输入以下命令：

$ sudo apt install nvidia-390

我用的是nvidia-430

4.检查是否安装成功

$ nvidia-smi

5.重启动系统。

reboot

2.3.安装CUDA toolkit

2.3.1.下载

推荐下载deb包安装

https://developer.nvidia.com/cuda-downloads

2.3.2.安装

https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#introduction

2.3.3.配置环境变量

sudo gedit ~/.bashrc

打开文件后在文件末尾添加路径，也就是安装目录，命令如下：

export PATH=/usr/local/cuda-10.2/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64:$LD_LIBRARY_PATH

更新

source ~/.bashrc

想配置为全局系统变量，请在/etc/profile中配置

2.4.安装cuDNN SDK

2.4.1.下载

下载7.4.1及更高版本，用于深度神经网络的GPU加速原语库

https://developer.nvidia.com/rdp/cudnn-download

2.4.2.安装

https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#overview

2.5.安装Tensorflow GPU版本

2.5.1.在ubuntu原装python环境下安装

pip install tensorflow-gpu==2.0.0-alpha0

测试是否正常

>>> import tensorflow as tf
>>> tf.__version__
'2.0.0-alpha0'

2.5.2.使用anaconda安装

1.下载anaconda

https://www.anaconda.com/distribution/#download-section

2.安装anaconda

sudo sh Anaconda3-2019.10-Linux-x86_64.sh

3.创建tensorflow2.0虚拟环境

conda create -n tf2 python=3.6

4.切换到tf2环境

conda activate tf2

5.安装Tensorflow GPU版本

Pip install numpy pandas matplotlib sklearn tensorflow-gpu==2.0.0-alpha0 -i https://pypi.doubanio.com/simple

6.校验安装结果

(tf2) andrew@myg-pc:~$ python
Python 3.6.7 |Anaconda, Inc.| (default, Oct 23 2018, 19:16:44) 
[GCC 7.3.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
>>> tf.__version__
'2.0.0-alpha0'
>>>