Ubuntu下使用矿卡进行深度学习（一）——环境搭建
配置：R3 2200G+P106-100+16G内存，Ubuntu Server 18.04
CUDA9+cuDNN7.4+python3.6
步骤：
1、安装驱动
2、安装CUDA
3、安装cuDNN
4、安装python与tensorflow
5、jupyter notebook的远程访问与环境访问
一、安装驱动
这一步可能是最麻烦的，因为网络上找到的P106几乎都是玩游戏，唯一一个用来做深度学习并且写了过程的还是在Win下。 按照在Win下安装成功的UP主的经验，可以用官方原版驱动完成。 安装方法参考此文 https://www.jianshu.com/p/764edaff301e 因此首先去nvidia官网下载最新的GTX1060的驱动。
1、屏蔽开源驱动nouveau
sudo nano /etc/modprobe.d/blacklist.conf
#然后在文档尾部添加下面内容
blacklist vga16fb
blacklist nouveau
blacklist rivafb
blacklist nvidiafb
blacklist rivatv
（这里有一行空格）2、删除Nvidia旧驱动
sudo apt-get --purge remove nvidia-*(需要清除干净)
sudo apt-get --purge remove xserver-xorg-video-nouveau然后重启即可，由于我是使用Server版本，因此参考原文里面5、6均不用执行。
3、安装驱动 进入下载目录，使用管理员权限安装即可，不过要注意中间选择新建并覆盖配置文件应该选新建。
4、验证
nvidia-smi
Fri Jan 4 23:40:49 2019
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 410.93 Driver Version: 410.93 CUDA Version: 10.0 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 P106-100 Off | 00000000:01:00.0 Off | N/A |
| 21% 17C P0 25W / 120W | 5815MiB / 6080MiB | 23% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |出现类似界面即为安装成功。
二、安装CUDA
这一步我踩了一个深深的坑，直接用run文件安装会提示tmp空间不足，deb安装最后提醒无法安装CUDA，但是使用aptitude why-not cuda查看也提示没有冲突。 然后掉头查tmp怎么解决。 有两位作者是通过临时扩充tmp的容量来解决，但是不知道为什么对我的情况没有奏效，我甚至在内存划了3G给tmp还是会提示空间不足。
可以在运行run文件时使用--tmpdir命令指定临时文件夹
sudo ./cuda_9.0.176_384.81_linux.run --tmpdir=/home/ --override
#tmpdir选项指定临时文件夹，可以自定义
#override貌似是忽略依赖，因为还有包没有安装，如果不加此选项会有如下提示
Missing recommended library: libGLU.so
Missing recommended library: libX11.so
Missing recommended library: libXi.so
Missing recommended library: libXmu.so
#也可以选择使用如下命令先安装依赖
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev然后就可以顺利安装CUDA了，不过中间有一个选项是安装nvidia驱动，自带的好像是389还是多少，建议选不安装，因为我们已经装好了。 最后添加环境变量即可
sudo nano ~/.bashrc
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}}
#保存之后更新
source ~/.bashrc三、安装cuDNN
依旧是进入官网下载，这里我下载的是
cuDNN Library for Linux
然后解压并复制到cuda目录下即可
#解压
tar -zxvf cudnn-9.0-linux-x64-v7.4.2.24.tgz
#复制
sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda-9.0/lib64/
sudo cp cuda/include/cudnn.h /usr/local/cuda-9.0/include/
#更改权限
sudo chmod a+r /usr/local/cuda-9.0/include/cudnn.h /usr/local/cuda/lib64/libcudnn*安装libcupti
sudo apt-get install libcupti-dev四、安装python与tensorflow
这里python直接用anaconda进行安装，然后创建虚拟环境安装tensorflow。
#安装完Anaconda之后需要刷新./bashrc
source ./bashrc #否则conda可能不会识别
#创建虚拟环境
conda create -n tf python=3.6
#目前（tf 1.12只支持到py3.6，版本过高会提示找不到tensorflow包
#进入虚拟环境
source activate tf
#命令行前面出现（tf）即为成功
pip install tensorflow-gpu
#等待即可成功安装
#退出虚拟环境
source deactivate五、jupyter notebook的远程访问与环境访问
因为矿卡是装在自己搭的台式机上，平常代码啥的还是在自己笔记本上写（其实是买不起显示器）。因此需要配置jupyter notebook的远程访问。
1、远程访问Jupyter Notebook
主要参考https://blog.csdn.net/simple_the_best/article/details/77005400
#首先要生成一个配置文件
jupyter notebook --generate-config
#然后设置密码
jupyter notebook password
#最后修改配置文件
sudo nano ~/.jupyter/jupyter_notebook_config.py
#找到如下四行取消注释并按照自己的情况修改即可
c.NotebookApp.ip='*'
c.NotebookApp.password = ''
c.NotebookApp.open_browser = False
c.NotebookApp.port =8888 #可自行指定一个端口最后启动Jupyter notebook即可远程访问了。
2、Jupyter Notebook使用tf虚拟环境 这里需要给Jupyter Notebook安装一个插件即可使它可以使用conda创建的虚拟环境
#安装插件
conda install nb_conda
#在对应虚拟环境安装
source activate tf
conda install nb_conda
#退出虚拟环境
source deavtivate
#启动Jupyter Notebook
jupyter notebook
紧接着就能在新建的地方看见对应的虚拟环境了安装nb_conda之后，新建的虚拟环境需要进入对应虚拟环境，在虚拟环境下安装一遍nb_conda然后重启Jupyter Notebook才能看见新的虚拟环境。
