承接上篇介绍，这篇文章是这个系列的第一篇文章，正所谓工欲善其事，必先利其器，作为深度学习崛起的三大要素之一（分别是算法、算力和数据），没有强大的算力支撑的深度学习就是巧妇难为无米之炊，但是对于还很贫穷的我，没法提供强大的算力，便只能从周围入手（其实还可以利用已有的云端平台进行加速，这个后期再说），创造条件也要上，因而只能动手改造我的微星游戏本，用他的入门级显卡为训练加速。

1. 配置信息

我的老电脑配置如下：

• CPU i5-4210M

• 16G内存

• GPU GTX 950M 显存2G

• 128G SSD

• Ubuntu 18.04

这个配置一般，但是为了不让我的mac发光发热，同时体验下GPU给深度学习的加速效果（虽然可能加不了多少速度）以及不想让老电脑荒废的心，我最终决定还是在上面安装Ubuntu18.04跑TensorFlow了。

2. 选择安装所需软件

TensorFlow官网中提到了需要安装以下软件才可以使用TensorFlow的GPU版本：

简单来说就是我们需要在Ubuntu18.04的环境下安装以下软件：

1. NVIDIA的GPU驱动（nvidia drive-390）

2. CUDA 9.0（不要下载CUDA 10.0，因为TensorFlow 1.12.0目前只支持到CUDA 9.0）

3. cuDNN v7.3.1 for CUDA 9.0 （选当前最新的）

至于CUDA和cuDNN是什么自行谷歌，对应的下载页面和地址如下：

• CUDA 9.0 https://developer.nvidia.com/cuda-toolkit-archive

• cuDNN 7.3.1 https://developer.nvidia.com/rdp/cudnn-archive 注意cuDNN下载前需要注册登录

Tips：我写这篇文章的时候是 2018 年的 12 月，现在 CUDA 和 cuDNN 已经有更新了，不过安装方式是共通的

3. 安装NVIDIA驱动并降低gcc版本

cuda的官网 https://docs.nvidia.com/cuda/cuda-installation-guide-linux/#choose-installation-method 安装说明中已经列出了检查步骤。如果你的GPU在支持列表中，则我们只需要做如下操作：

3.1 安装GPU驱动程序。

Ubuntu在安装后，是给了一个叫Nouveau默认内建的驱动程序。我们需要安装GPU针对性的驱动程序，有篇文章教怎么在Ubuntu上安装合适的驱动：https://linuxconfig.org/how-to-install-the-nvidia-drivers-on-ubuntu-18-04-bionic-beaver-linux 。

简单来说，执行 ubuntu-drivers devices 命令得到推荐的nvidia驱动程序，

然后执行 sudo apt-getinstall nvidia-driver-390 （根据提示的驱动程序而定）即可安装完成。

注意安装完成后需要重启。

重启完成后执行 nvidia-smi，如果出现类似于下图所示的信息则说明驱动安装成功：

3.2 安装gcc-4.8和g++4.8

1. sudo apt-get install gcc-4.8

2. ll /usr/bin |grep gcc #若存在高版本的gcc，则继续

3. cd /usr/bin

4. sudo mv gcc gcc.bak #备份

5. sudo ln -s gcc-4.8 gcc #重新指向

执行 gcc--version 可检查是否为4.8版本，g++可执行同样的操作。

4. 安装CUDA和cuDNN

进入CUDA9.0的下载页，选择安装类型为runfile(local)，可发现有一个基础安装包，和三个补丁包，都下载下来，然后依次执行：

1. sudo sh cuda_9.0.176_384.81_linux.run

　　安装时会以提问的方式，一路默认即可，当第二个询问是否安装新驱动程序时，选择否，其余均是yes。然后再以同样的方式安装以下补丁包。

1. sudo sh cuda_9.0.176.1_linux.run

2. sudo sh cuda_9.0.176.2_linux.run

3. sudo sh cuda_9.0.176.3_linux.run　

　　结束后，可以在/usr/local/cuda-9.0 发现有安装文件，执行 sudo gedit/etc/profile或者 sudo gedit~/.bashrc在 /etc/profile或 ~/.bashrc的文件后面添加环境变量：　

1. export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}

2. export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}　　

　　然后执行 source~/.bashrc或者 source/etc/profile让刚刚修改的环境变量生效。然后执行 nvcc-V来验证CUDA是否完成安装。

安装好CUDA9.0后，接下来就安装cuDNN，进入cuDNN下载页选择 cuDNN v7.3.1 Library for Linux 下载。

执行如下命令：

1. tar -xzvf cudnn-9.0-linux-x64-v7.tgz

　　进入解压目录，执行：

1. sudo cp cuda/include/cudnn.h /usr/local/cuda/include

2. sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

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

　　这样就安装完成了。

5. 安装pyenv

这里我采用了pyenv的方式来隔离不同环境下的python。

首先安装curl，它一个命令行式的下载工具

1. sudo apt install curl

然后下载pyenv的安装包，pyenv的GitHub链接：pyenv

1. curl -L https://raw.githubusercontent.com/yyuu/pyenv-installer/master/bin/pyenv-installer | bash

编辑 ~/.bashrc:

1. sudo gedit ~/.bashrc

在该文件中添加以下内容（直接复制即可）：

1. export PYENV_ROOT="$HOME/.pyenv"

2. export PATH="$PYENV_ROOT/bin:$PATH"

3. eval "$(pyenv init -)"

4. eval "$(pyenv virtualenv-init -)"</pre>

终端执行以下命令安装python的依赖包

1. sudo apt-get update

2. sudo apt-get install make build-essential libssl-dev zlib1g-dev

3. sudo apt-get install libbz2-dev libreadline-dev libsqlite3-dev wget curl

4. sudo apt-get install llvm libncurses5-dev libncursesw5-dev

安装python 3.6.5

1. pyenv install 3.6.5

安装过程可能很缓慢，一个简便方法，只需要在python的官网(此处给出python3.6.5的下载地址)下载你需要的python版本的 tar.xz文件然后放到 ~/.pyenv/cache中然后再执行 pyenv install[version]就可以了，cache文件夹可能不存在，请自行新建。

pyenv的常用命令

上图是官方文档中的例子，如果想要查看完整命令列表，可以点击查看pyenv命令列表

在终端执行 pyenvglobal3.6.5即可将3.6.5设置为系统默认的python环境

6. 安装pipenv

这里使用pipenv创建虚拟环境，pipenv的介绍和使用可以参考这篇文章《Python 管理哪家强？》，这里我就直接放出pipfile，将其放入创建的项目根目录，然后执行 pipenv install即可（先确保你的系统已经安装了pipenv）。

1. [[source]]

2. name = "pypi"

3. url = "https://pypi.tuna.tsinghua.edu.cn/simple"

4. verify_ssl = true

5. 
   

6. [dev-packages]

7. pylint = "*"

8. autopep8 = "*"

9. 
   

10. [packages]

11. flask = "*"

12. tensorflow-gpu = "==1.12.0"

13. numpy = "*"

14. scipy = "*"

15. pillow = "*"

16. 
    

17. [requires]

18. python_version = "3.6"

我们简单的来看下这个pipfile，前四行指定了这个虚拟环境所用的镜像源是清华的，然后 [dev-packages]指的是开发环境所下载的包，pylint和autopep8是代码格式化用的，然后 [packages]指的是该项目所依赖的包，flask是后期扩展用的，暂时先不谈，重点是tensorflow-gpu="==1.12.0"，这里指定了tensorflow的版本，而且是gpu的，因为考虑到TF后期的升级，为了限制版本号防止出现版本不兼容的情况，需要这一步。最后就是在python3.6的环境下执行的，没什么好说的了。

7. 验证结果

利用终端新建一个.py文件

1. touch test.py

然后利用Visual Studio Code打开该文件

1. code test.py

输入

1. import tensorflow as tf

2. hello = tf.constant('Hello, TensorFlow!')

3. sess = tf.Session()

4. print(sess.run(hello))

然后执行该脚本 python test.py即可得到包含有GPU输出信息的正确结果。

8. 最后

至此，我们也就搭建了一个 TensorFlow 的 GPU 环境了，这里提下，第6步中的利用pipfile安装tensflow-gpu其实可以无缝切换到其他框架，比如pytorch，原理都是一样的，因为他们都是需要CUDA和cuDNN环境（英伟达牛逼！）。

下篇正式开始我们AI绘画的代码编写。如果觉得这篇文章对你有所帮助，希望可以转发分享，你的关注和支持才是我前进的最大动力！