最近需要在服务器上配置tensorflow-gpu的环境来运行深度学习模型，以前在Windows上配置过，也知道一些注意点，这次在Linux下配置，也遇到了很多坑，下面总结一下配置过程，配置是使用Linux下安装的anaconda来进行的。

• 激活虚拟环境
  我在服务器上安装了anaconda，并且创建了一个python3.6的虚拟环境，命名为tensorflow，在该环境下进行各种库的安装以及环境配置。下面几个步骤的操作均在该虚拟环境下进行。（当然你也可以在anaconda默认环境下进行配置）
  命令
  source activate tensorflow
• 查看本机驱动
  nvidia-smi
  
  可以看到本机驱动为390.46
• 查看驱动对照表
  可以在nvidia的官网查看cuda与驱动对照表 官网对照表
• 查看tensorflow-gpu与cuda、cudnn的对照表
  可以在tensorflow的官网查看该表 tensorflow版本与cuda、cudnn对照表
  
  由此可以发现，本机应该对应cuda9.1及以下，tensorflow-gpu可以选择1.12.0及以下
• 安装tensorflow-gpu
  我选择安装的是tensorflow-gpu=1.11.0

conda install tensorflow-gpu==1.11.0

安装tensorflow-gpu1.11.0之后，conda会将cuda9.2.0、cudnn7.6.5进行安装，还有一些tensorflow的辅助库

此时就会出现一个问题，本机需要的cuda是9.1及以下的版本，但是使用conda进行安装要么安装了9.2版本以及以上版本的cuda（当安装tensorflow-gpu1.11.0及以上版本时），要么直接不给安装cuda以及cudnn（安装tensorflow-gpu1.10及以下版本时），而且cuda、cudnn单独安装非常麻烦，我就进行了一系列的uninstall cuda以及cudnn操作，做了很多无用功。
如果直接使用版本不对的cuda的话，运行深度学习模型则会出现这个错误

下面就来讲如何实现安装了cuda9.2版本之后，如何搞定这个难搞的问题

• cuda版本问题解决
  由于cuda9.1版本的很多都找不到对应的cudnn，所以如果可以安装一个cuda9.0及以下的版本，也是可以解决这个问题
  在anaconda的官网的numba部分，有一个cudatoolkit可供下载 网址
  
  命令

conda install -c numba cudatoolkit

实现了cudnn7.6.5，cuda9.0.0版本的安装

最终环境配置为


配置完成，可以利用GPU进行深度学习的训练