套用TensorFlow中文社区的一句话：TensorFlow，一个用于人工智能的开源神器。
配置使用环境
- 系统：Ubuntu16.04(LTS)
- python版本：python3.6（使用Anaconda建立虚拟环境）
- Nvidia卡：Geforce 920M（如果没有Nvidia卡，则只能安装CPU版本）
Tensorflow安装
tensorflow分为两个CPU/GPU两个版本，我建立了两个python虚拟环境，分别安装了这两个版本。在此记录一下安装的痛苦过程
tensorflow CPU
- 建立虚拟环境
conda create -n tensorflow python=3.6
source activate tensorflow #进入虚拟环境
- 安装tensorflow CPU版本的安装还是比较简单的，直接使用pip安装即可
pip install tensorflow
若安装报错，可选择下载安装： 到pypi选择相应版本下载,在文件放置路径下执行以下命令:
#这里文件名字以自己的为准
pip install tensorflow-1.6.0rc0-cp36-cp36m-manylinux1_x86_64.whl
- 验证安装
进入pytohn环境中,进行测试:
$ python
>>> import tensorflow as tf
>>> hello = tf.constant('Hello TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
Hello Tensorflow!
>>> a = tf.constant(12)
>>> b = tf.constant(23)
>>> print(sess.run(a+b))
35
>>>
或导入tensorflow模块并运行sess = tf.Session()，输出大致如下：
至此，tensorflow CPU版本安装完成
tensorflow GPU
这将会是一个苦恼的过程，出错率很高，我折腾了两天才把这个GPU版本装上去了。
建立虚拟环境
conda create -n tensorflow_gpu python=3.6
安装tensorflow GPU版本之前要向安装GUDA和cuDNN。CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。cuDNN则是用于深度学习神经网络的GPU加速库，它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中。
这里有个建议：
大家可以先将CUDA文档下载下来，但是不要急于安装，先将NVIDIA给出的官方指导手册仔细看一下，然后再找几篇好的博客看一下，大致了解一下CUDA的安装过程，对安装过程中可能出现的问题要大致有一个了解。
安装条件
- 验证电脑是否有支持CUDA的GPU:
在终端下输入命令lspci | grep -i nvidia，查看输出。如果没有输出，可以尝试update-pciids（该命令一般在/sbin目录下）更新一下电脑的PCI硬件数据库，之后再次输入之前的查询命令。最后输出类似下图，如果你的GPU是来自Nvidia制造商且在CUDA列表中，则表示你拥有一块支持CUDA的GPU。
- 验证Linux版本是否支持CUDA:
用命令uname -m && cat /etc/*release可进行查看(ubuntu16.04受支持)
- 验证系统是否安装gcc:
输入命令gcc --version可查看gcc版本，若无安装，按终端提示进行安装即可。
- 验证系统是否安装了匹配的kernel header和package development：
uname -r命令可查看内核版本，之后可运行命令sudo apt-get install linux-headers-$(uname -r)进行安装，假如你已经安装了，终端会提示并终止安装。
以上各项均符合时，即可开始安装CUDA。
安装CUDA
CUDA提供两种安装方式：package manager安装和runfile安装。我在其他博客上看到大多数都选择使用runfile这种安装方式，我也尝试过几次，当最终都失败了，两天的安装时间，大部分都耗在安装CUDA上了。最后我选择package manager安装方式。
- 下载CUDA包：
首先在CUDA下载页面上选择CUDA版本,我选择的是CUDA 9.0版本
然后按照页面指示的安装步骤进行安装
页面中还有一个path1包是CUDA9.0的补丁,安装好CUDA9.0后可以使用dpkg -i命令进行安装
- 配置CUDA:
以上步骤结束后，还需要配置系统环境变量，用超级权限编辑家目录下的.bashrc文件，将以下内容添加至文件中，保存退出。
export PATH="/usr/local/cuda-9.0/bin${PATH:+:${PATH}}"
export LD_LIBRARY_PATH="/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}"
之后用命令source ~/.bashrc重新载入该文件。
验证CUDA的安装
- 查看CUDA版本号：
在终端中输入nvcc --version查看输出，若输出为相应的版本号，可进行下一步骤，否则应该卸载并重新安装
卸载命令：
sudo /usr/local/cuda-9.0/bin/uninstall_cuda_9.0.pl（默认情况下，CUDA卸载脚本位于/usr/local/cuda-9.0/bin目录下）；
sudo /usr/bin/nvidia-uninstall 卸载nvidia驱动及其配置。
- 编译CUDA提供的例子：
一般情况下，CUDA提供的例子放在/usr/local/cuda-9.0/samples目录下，可以在该目录下进行编译，也可以将整个目录拷贝到其他地方进行编译。
在samples/下执行命令make进行编译，编译成功会显示Finished building CUDA samples
编译好后，进入目录/samples/bin/x86_64/linux/release，执行./deviceQuery，结果大致如下：
然后检查一下系统和CUDA-Capable device的连接情况，执行./bandwidthTest命令，输出结果大概如下：
若以上各项均通过，恭喜你，成功安装了CUDA！接下来是安装cuDNN
安装cuDNN
首先需要注册一个Nvidia官网帐号用于下载cuDNN包，之后选择相应的安装包下载（注意要适配所安装的CUDA版本）
下载后用tar命令解压，解压后把相应的文件拷贝到对应的CUDA目录下即可
sudo cp cuda/include/cudnn.h /usr/local/cuda-9.0/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda-9.0/lib64/
sudo chmod a+r /usr/local/cuda-9.0/include/cudnn.h
sudo chmod a+r /usr/local/cuda-9.0/lib64/libcudnn*
安装tensorflow GPU
进入虚拟环境：source activate tensorflow_gpu
可以到pypi选择相应版本下载，之后用pip install安装。
也可以直接用相应的安装包连接进行安装
$ pip install https://pypi.python.org/pypi/tensorflow-gpu/tensorflow_gpu-1.6.0rc0-cp36-cp36m-manylinux1_x86_64.whl
验证安装
在虚拟环境下的python中导入tensorflow模块并运行sess = tf.Session()，输出大致如下：
OK了，漫长的tensorflow GPU版本安装就结束了，接下来可以实践那些神奇的人工智能算法啦！
参考
安装过程可能会遇到的一些坑以及解决方法：
一些扩展内容：