在Ubuntu16.04上安装 显卡驱动 + CUDA + cuDNN + Tensorflow-gpu + Keras + PyCharm，目的是为了深度学习所用，博主参考了众多资料，最终成功将所有软件安装完毕，且能成功运行使用，因而写下该篇安装教程，供借鉴参考。

前期说明

1、虚拟机使用 CUDA 问题

CUDA需要使用电脑的物理显卡，而在某些虚拟机中无法调用本机的物理显卡，仅能使用其提供的虚拟显卡，因此无法使用CUDA，例如VMware，但也有某些虚拟机能够使用电脑的物理显卡，不过，虚拟机的性能相对较低，对后期实验的效率有较大影响，推荐使用本身系统为Ubuntu的电脑或安装双系统使用。博主的另一篇博文 Windows系统下，Ubuntu安装至移动硬盘（简单分析与详细安装教程）提供了在移动硬盘中安装Ubuntu系统的方法，若有需要，可以借鉴。

2、版本问题

虽然许多博客都有强调 CUDA 与 cuDNN 或与 Tensorflow 需要对应版本的问题，但经博主安装后发现，不仅仅是这三个软件需要安装对应版本，显卡驱动、CUDA、cuDNN、Tensorflow-gpu、Keras、Python、GCC 这7类都必须实现版本一一对应，否则会产生一系列似是而非的错误。具体的版本对应，博主会在本教程中列出。

3、检查电脑配置

某些博客在安装之前都强调需要检查自己电脑的一些配置，例如显卡为单显卡还是双显卡、显卡种类是否符合安装要求等。其实不同的安装方法对这些配置的要求并不相同，但以防万一，检查配置总是万无一失的。

检查显卡配置可参考：Ubuntu如何正确地切换Intel和Nvidia显卡
若上方的网址未有响应，可使用该网址：Ubuntu如何正确地切换Intel和Nvidia显卡

在终端中可使用以下命令查看电脑中有哪些显卡：

lspci -k | grep -A 2 -i "VGA"

博主个人认为该条命令无法查看电脑中的全部显卡，例如博主在终端执行该命令后的结果如下图，图中显示了Intel显卡，但博主电脑中的Nvidia显卡没有显示，但不排除博主将Nvidia显卡关闭了所以无法显示的情况。

若与博主出现以上相同的情况也无需担心，可使用以下命令查看电脑中是否有Nvidia显卡：

lspci | grep -i nvidia

该命令将会显示出电脑可使用的Nvidia显卡的简单信息，例如博主的：

而后可通过CUDA官网提供的方法，检查你的显卡能否支持CUDA的使用，官网网址：Frequently Asked Questions（将滚动条拉到最底，在该页面下方有相关回答）

在安装过程中还有其他需要查看的配置，会在而后的教程中说明，Nvidia显卡的支持保证了能否使用CUDA，如果连该条件都无法满足，也无需查看其他配置了。

4、Anaconda图形界面一站式安装

博主查阅许多资料，发现有提供 Anaconda 图形界面自动安装CUDA+cuDNN+Tensorflow的方法，博主也尝试过该方法，但不知是博主的Anaconda图形界面安装有问题，还是其他的原因，在正式安装前，Anaconda会显示将自动安装的CUDA与cuDNN版本信息，博主无论安装任何版本的Tensorflow，CUDA与cuDNN的版本都是不正确的，所以博主最终放弃了这种方法，如果有想尝试的同僚可以参考：Ubuntu搭建TensorFlow GPU环境——无错详细完整版

版本对照

在安装之前，请确定显卡驱动、CUDA、cuDNN、Tensorflow-gpu、Keras、Python、GCC的版本，最好记录在TXT文件中，防止版本安装错误，卸载重装的问题！！！

对于CUDA、cuDNN、Tensorflow-gpu、Python、GCC的版本，Tensorflow的官网提供了部分对照版本：经过测试的构建配置（将滚动条拉到最底，在该页面下方有相关表格，博主直接将其截取了一份）
CUDA与cuDNN的版本某些仅显示了一个整数，例如cuDNN版本为7，但实际上7.4版本的cuDNN也是支持的，在cuDNN的官网中提供了某些版本的对应下载选项（官网网址：cuDNN Archive）

在某些博客中也提供了官网未提供的其他对应版本，这里就不一一写出，需要的同僚可以自行搜索。

显卡驱动的版本是与CUDA版本对应的，在Nvidia的官网中提供了对应版本（官网网址：CUDA Toolkit and Compatible Driver Versions，拉动滚动条，可找到对应的表格，博主直接将其截取了一份）
显卡驱动的版本号对于不太熟悉的同僚可能会觉得有点奇怪，对于该教程而言，只需记下版本的编号，代表的含义可以不用理会

Keras的版本与Tensorflow和Python相关，博主找到了一个网址，提供了其对应的关系（网址：Environments，因提供的表格内容过多，博主仅截取了一部分内容）

在安装之前一定要确定配置的各个版本，Python的版本博主推荐3.6，该版本也是博主安装教程中使用的版本

安装教程

该安装教程手动安装了对应的显卡驱动，博主尝试过通过CUDA自动安装对应的驱动，但没有成功，据说是因为博主的电脑是双显卡导致（Intel显卡与Nvidia显卡），既然如此，手动安装显卡驱动的成功率与受众范围应该会更符合当下需求。

CUDA的官网其实有提供安装CUDA的详细方法，但官网的安装方法主要基于CUDA自动安装显卡驱动，而本教程的安装方法实则手动安装显卡驱动，若按照本教程的方法安装失败，可参考官网的安装教程，具体网址与推荐博文会在本教程中的“安装CUDA”部分给出。安装之前，建议多查阅几篇不同的安装教程，选择最适合自己的方法。

换源

该步骤的目的是为下载显卡驱动做好准备，若不换源，显卡驱动将下载得特别特别特别慢！！！

1、备份源，将sources.list备份到sources.list.bak

cd /etc/apt/
sudo cp sources.list sources.list.bak

2、换源，换成阿里云源，打开sources.list文件后，直接将以下的阿里云源替换原本文件的全部内容

sudo gedit sources.list

阿里云源：

# deb cdrom:[Ubuntu 16.04 LTS _Xenial Xerus_ - Release amd64 (20160420.1)]/ xenial main restricted
deb-src http://archive.ubuntu.com/ubuntu xenial main restricted #Added by software-properties
deb http://mirrors.aliyun.com/ubuntu/ xenial main restricted
deb-src http://mirrors.aliyun.com/ubuntu/ xenial main restricted multiverse universe #Added by software-properties
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates main restricted
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates main restricted multiverse universe #Added by software-properties
deb http://mirrors.aliyun.com/ubuntu/ xenial universe
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates universe
deb http://mirrors.aliyun.com/ubuntu/ xenial multiverse
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates multiverse
deb http://mirrors.aliyun.com/ubuntu/ xenial-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-backports main restricted universe multiverse #Added by software-properties
deb http://archive.canonical.com/ubuntu xenial partner
deb-src http://archive.canonical.com/ubuntu xenial partner
deb http://mirrors.aliyun.com/ubuntu/ xenial-security main restricted
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security main restricted multiverse universe #Added by software-properties
deb http://mirrors.aliyun.com/ubuntu/ xenial-security universe
deb http://mirrors.aliyun.com/ubuntu/ xenial-security multiverse

3、保存并关闭sources.list文件后，使用以下命令更新源

sudo apt-get update

4、查看源的更新情况，在Ubuntu系统最上方的菜单栏的最右侧，有个关机按钮，选中其中的“系统设置…”，在弹出界面的“系统”中选中“软件和更新”，在最新的弹出界面中可查看目前使用的源地址

安装显卡驱动

安装显卡驱动的方式共有三种：
（1）使用Ubuntu自带的驱动进行安装
（2）使用PPA源进行安装
（3）使用官方的Nvidia驱动包进行手动安装

由于Ubuntu自带的驱动可能不满足所需，而官方的Nvidia驱动包安装过于复杂，容易出错，因此本教程选择使用PPA源的安装方法，精简显卡驱动的安装过程。若采用本教程的方法未能成功安装显卡驱动，可自行搜索使用官方的Nvidia驱动包进行手动安装的复杂方法。

1、禁用 Nouveau，防止显卡驱动安装完毕，电脑重启后循环停留在用户登录界面的情况

在终端使用以下命令查看此时nouveau的加载情况，若没有输出，则说明nouveau已被禁用，可跳过该步骤，若有输出，则需要禁用nouveau

lsmod | grep nouveau

在 /etc/modprobe.d 中创建 blacklist-nouveau.conf 文件

sudo vi /etc/modprobe.d/blacklist-nouveau.conf

在 blacklist-nouveau.conf 文件中输入以下内容（键入“i”转成输入模式，将内容输入后，键入“Esc”退出输入模式，而后键入“:wq”保存并退出文件）

blacklist nouveau
options nouveau modeset=0

更新文件

sudo update-initramfs -u

重启

sudo reboot

重启后再次输入以下命令，若无内容输出，则nouveau已被禁用

lsmod | grep nouveau

2、添加PPA源

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

3、更新系统

sudo apt-get update

4、查看可供安装的显卡驱动版本

ubuntu-drivers devices

也可在 系统设置–>软件和更新–>附加驱动 中查看

5、根据版本，安装所需的显卡驱动（xxx代表驱动版本号）

sudo apt-get install nvidia-driver-xxx

也可使用图形化界面，安装所需版本的显卡驱动，选择需要安装的显卡驱动，点击“应用更改”，等待安装完毕

6、安装完成后，重启电脑

sudo reboot

7、重启后，在终端输入以下命令，查看此时的显卡驱动情况

nvidia-smi

也可通过 系统设置–>详细信息 查看此时使用的显卡

安装 CUDA

安装CUDA之前，需要查看电脑中的某些配置，确保满足条件，能够成功安装CUDA使用，该部分的配置要求在CUDA官网中有提供相关文件，但由于不同版本的CUDA需求的配置并不相同，只有在CUDA官网选定下载的软件包后，才会提供对应版本的安装手册，其中便有提供环境配置的需求表格

CUDA不同版本的安装流程没有差别，只是在一些界面和语言表述方面有细微不同，但不影响安装使用，若对本教程中的某些步骤存有疑惑，可参考官方给出的安装手册

1、下载CUDA软件包

在CUDA官网选择需要下载的CUDA软件包，注意软件包的版本，点击软件包的名称即可进入对应下载页面，官网网址：CUDA Toolkit Archive

选择软件包的安装平台信息，注意最后的 Installer Type 请选择 runfile，据说以该方式下载，成功率较大，若某一版本的CUDA没有你需要的安装平台可供选择，可以换一版本使用

安装平台信息选择完毕后，会出现对应的下载按钮，先不将其软件包下载至本地，找到下载信息的下方，会有一段小字，其中的 Installation Guide for Linux 是CUDA官网为该版本的CUDA提供的安装手册，将其打开，查看所需的环境配置（图中提供的是9.0版本的环境配置）

在终端使用以下命令查看本地Linux系统的版本信息：

uname -m && cat /etc/*release

查看Kernel信息：

uname -r

查看GCC信息：

gcc --version

查看GLIBC信息：

ldd --version

若CUDA的环境配置符合要求，即可下载对应的软件包，若某配置不符合要求，可以换一版本的CUDA下载，或是查看官方安装手册，解决问题

下载CUDA软件包，可能出现两种形式，一种直接提供了 Download 按钮以供下载，另一种仅提供了两行命令进行下载

若是提供了 Download 按钮，可直接下载，保存到自己能够找到的位置，若是提供了两行命令，则需打开Ubuntu系统的文件管理器（下图为Ubuntu系统的文件管理器可执行图标），选择你想保存文件的位置，在该位置鼠标右键打开终端，输入整行的 wget 命令，下载软件包，而另一条安装命令先暂时忽略它

成功下载好CUDA软件包后，需要检查其序列和，保证该软件包下载正确，使用以下命令可检查其序列和，若无报错，则该软件包可用，若报错，则需重新下载该软件包（其中 xxx 是你所下的软件包的名称补充位）

md5sum cuda_xxx.run

2、安装CUDA

该步骤需要脱离图形界面，使用命令行界面安装CUDA，因此，建议将该教程转移至智能手机或平板中查看，以防步骤错误，导致安装失败

为了命令行界面的安装方便，建议将下载的CUDA软件包，即 .run 文件移动到 “Home” 所在，如下图所示的位置，或是记住该软件包根目录起始的路径，同时可将该软件包更名，以便记忆输入

若设有自动登录的用户，请先关闭自动登录，可在 系统设置–>用户账户 中关闭，而后重启电脑，在需要输入密码的登录界面中，键入 Ctrl + Alt + F1 ，进入命令行界面，不要直接输入密码登录图形界面，若登入图形界面，请重启电脑在登录界面进入命令行界面

进入命令行界面后，根据提示，输入用户名与密码，登录用户，而后根据以下步骤完成CUDA的安装：

（1）关闭图形化界面

sudo service lightdm stop

（2）执行安装命令，若将CUDA软件包移动至 “Home” 所在，则无需添加软件包路径，直接输入安装命令即可，若未移动软件包，则需添加该软件包所在路径（其中 xxx 是CUDA软件包的名称，添加路径需要在名称前添加，例如 sudo sh /home/wjh/xxx.run ）

sudo sh xxx.run

（3）按照提示安装CUDA，不同版本的CUDA安装的提示可能不同，注意以下几点，基本能够成功安装：

某些版本会在安装之前显示一堆的服务条款，此时按回车可继续服务条款的阅读，请注意服务条款结束的时机，防止回车默认安装的输入

请注意安装提示要求的输入，可能提示输入 accept ，可能提示输入 yes 等，一定要看清输入的要求

某些版本的CUDA会询问安装的内容，因本教程已安装显卡驱动，若询问是否安装 Driver（驱动） 或是 openGL ，一定一定一定要选择 no ，某些版本在安装之前提供了安装选项，而不是一步步地询问安装内容，在选择的时候一定不要选择安装 Driver（驱动） 或是 openGL

CUDA的安装过程会询问某一内容安装的位置，可根据提示，回车默认安装位置，或是自行输入安装的位置

若CUDA安装成功，在最后会提示 successed 或 installed ，若安装失败，则会提示 failed ，通常在每一安装内容之后，都会有对应的提示，若其中有某一内容提示安装失败，此CUDA都无法使用，此时可根据安装最后显示的卸载命令，在命令行界面中将CUDA卸载重装

（4）安装成功后，重新启动图形化界面

sudo service lightdm start

（5）若输入以上命令没有跳转图形化界面，则键入 Ctrl + Alt + F7 手动返回图形化界面，而后输入用户密码，登录用户，若成功进入桌面，则CUDA安装成功，若循环停留在用户登录界面，请重新进入命令行界面，将安装的CUDA卸载重装

3、设置环境变量

（1）.bashrc 文件设置

在终端输入以下命令，打开 .bashrc 文件

sudo vim ~/.bashrc

在 .bashrc 文件末尾添加以下内容，若是安装CUDA时安装位置都设为默认，则路径不变，否则需要根据自己的情况修改路径

export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_HOME=/usr/local/cuda

以上的export内容是博主查看他人博客添加的，事实上添加以上的内容还存有一定的错误，博主最终的 .bashrc 文件内容如下：

export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_HOME=/usr/local/cuda
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-9.0/lib64
export LD_LIBRARY_PATH=/usr/local/cuda/extras/CUPTI/lib64:$LD_LIBRARY_PATH

配置生效

source ~/.bashrc

（2）/etc/profile 文件设置

在终端输入以下命令，打开 /etc/profile 文件

sudo gedit /etc/profile

在 /etc/profile 文件末尾添加以下内容，若是安装CUDA时安装位置都设为默认，则路径不变，否则需要根据自己的情况修改路径，其中 cuda-9.0 需要根据自己的文件名进行修改

export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64$LD_LIBRARY_PATH

输入完毕，保存文件，关闭文件后重启电脑

4、测试CUDA

查看CUDA

nvcc --version

CUDA安装完毕后，自带有用于测试的例子，默认存放于 “Home”

进入该Samples文件，鼠标右键打开终端，向终端输入以下命令，编译测试代码

make

若编译成功，会提示 Finished building CUDA samples

编译完成后，在终端输入以下命令，进入Samples中的 bin/x86_64/linux/release 文件夹

cd bin/x86_64/linux/release

而后执行编译好的可执行文件

./deviceQuery

若最终结果为 PASS ，则说明测试成功

同样，继续向终端输入以下命令

./bandwidthTest

若最后结果为 PASS ，则说明测试成功

安装 cuDNN

可在cuDNN的官网上下载对应版本的cuDNN安装包，官网网址：cuDNN Archive

1、安装cuDNN

cuDNN的安装方法有两种，需要下载不同的安装包：

（1）.tgz 文件安装

该方法仅需下载一个安装包，如图所示

下载完毕后，进入文件所在位置，解压安装包（其中 xxx 为安装包的补充名称）

tar -xzvf cudnn-xxx.tgz

而后将cuDNN拷贝，放入CUDA对应的文件夹中，并赋予其权限

sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

（2）.deb 文件安装

该方法需要下载三个安装包，如下图所示

分别对这三个安装包执行以下命令进行安装，文件名请自行修改，要注意，必须按以下顺序进行安装，否则会因依赖问题而报错

sudo dpkg -i libcudnn7_7.6.4.38-1+cuda9.0_amd64.deb
sudo dpkg -i libcudnn7-dev_7.6.4.38-1+cuda9.0_amd64.deb
sudo dpkg -i libcudnn7-doc_7.6.4.38-1+cuda9.0_amd64.deb

2、测试cuDNN

选择 .deb 文件安装cuDNN，默认在 “Home” 位置，会安装有cuDNN的测试案例

进入 samples 文件中的 mnistCUDNN 文件夹下，鼠标右键打开终端

编译文件

make clean && make

编译后执行

./mnistCUDNN

若最后结果显示 Test passed，则说明测试成功

安装 Tensorflow-gpu

本教程基于 Anaconda3 安装 Tensorflow-gpu，Anaconda3内置可安装Python的不同版本，因此无需特地手动安装Python

1、下载 Anaconda3 安装包，使用清华镜像下载，网址：清华大学开源软件镜像站

2、进入下载安装包所在位置，鼠标右键打开终端，输入以下命令安装Anaconda3（其中 xxx 为你所下载的 Anaconda3 安装包名称）

bash ./xxx.sh

安装 Anaconda3 过程中会有一些提示，除去最后一个询问是否安装VSCode软件可以自行选择，其余提示都输入 yes ，默认Anaconda3安装在 “Home” 位置

3、换源，向终端输入以下命令，添加清华源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

4、创建Python环境，其中 tensorflow-gpu 为创建的环境名称，可自行修改，python=3.6 为该环境依赖的Python版本，可自行修改版本

conda create -n tensorflow-gpu python=3.6

创建环境完成后，会提示激活环境与取消激活的命令，可将这两条命令记录在TXT文件中，以便今后使用

5、激活环境，其中 tensorflow-gpu 为需要激活的环境名称，可自行修改

source activate tensorflow-gpu

6、安装 Tensorflow-gpu，其中 tensorflow-gpu==1.10.0 是Tensorflow-gpu安装的版本，可自行修改版本

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.10.0

7、安装完毕后，可测试Tensorflow-gpu是否安装成功

输入以下命令执行Python

python

输入以下命令导入tensorflow包，回车导入，若无报错，则说明Tensorflow-gpu安装成功

import tensorflow as tf

8、取消激活，退出环境（退出Python可键入 Ctrl + Z ）

source deactivate

每次进入Anaconda3提供的Python环境中都需要激活环境，当不再使用该环境时，需要取消激活，再退出环境，如果退出环境后要再次进入环境，需要打开一个新的终端使用，而原本的终端无法再次激活环境

source activate tensorflow-gpu    //激活
source deactivate　　　            //取消激活

安装 Keras

Keras的安装与Tensorflow-gpu的安装类似，都是基于Anaconda3实现

1、打开终端，激活安装有Tensorflow-gpu所在的环境，其中 tensorflow-gpu 为需要激活的环境名称，可自行修改

source activate tensorflow-gpu

2、安装Keras，其中 keras-gpu==2.2.0 为Keras的版本信息，因安装Tensorflow-gpu，故而Keras也需安装GPU版本，版本号可自行修改

pip install keras-gpu==2.2.0

3、安装完毕后，可测试Keras是否安装成功

输入以下命令执行Python

python

输入以下命令导入keras包，回车导入，若仅弹出 Using TensorFlow backend. ，而无报错，则说明Keras安装成功

import keras

4、取消激活，退出环境（退出Python可键入 Ctrl + Z ）

source deactivate

设置 PyCharm

Tensorflow-gpu最常使用的语言是Python，使用命令行界面运行Python具有一定的局限性，博主习惯使用PyCharm平台进行Python编程，该部分提供了PyCharm的设置方式，使其能够使用基于Anaconda3的Tensorflow-gpu以及Keras

关于PyCharm的安装，因其较为简单，这里就不再详细说明，官网下载网址：Download PyCharm（Community社区版是免费版本，Professional专业版仅提供一个月的试用期，可参考的博客：Ubuntu 16.04 安装 PyCharm）

安装完毕后，新建项目，而后在最上方菜单栏找到 File --> Settings… --> Project：… --> Project Interpreter，而后点击图中所示的红框中的齿轮按钮，选择 Add…

而后在弹出的窗口左侧选择 Conda Environment，根据图中提示，先选择 Existing environment，而后点击 “…” 按钮

选中Anaconda3提供的Python执行文件，博主的可执行文件目录如图所示，其中 tensorflow-gpu 是博主的环境名称，而Python执行文件可能会有三个，分别为 Python、Python3、Python3.6（与版本有关），任选其中一个都可，选择完毕后点击 OK 按钮保存更改，同样在上一级窗口中也点击 OK 按钮保存更改

在新建的项目中创建一个Python文件，输入以下内容，运行程序，查看其输出（创建Python文件可鼠标右键点击项目文件名，在 New 中选择 Python File 即可，运行程序可在代码输入界面点击鼠标右键，找到 Run ’…’，点击即可运行程序）

import tensorflow as tf
import keras

若最后输出不报错，则说明PyCharm设置成功，可用于编写与Tensorflow-gpu相关的代码