上篇文章提交后，好些人问我Linux下怎么安装，如何配置GPU等等。为了为接下来的系统调优系列文章做好铺垫，也有个共同的软件基础，这里介绍下Linux下安装方法。
Linux版本
选用Ubuntu 16.04.2 LTS。其提供了Desktop和server两种选择，我们为了统一起见选择Server：
当然你也可以选择Deskop版本
Tensorflow对内存比较敏感，我们至少需要16GB内存。所以请选用X64版本的Ubuntu。
Anaconda的安装
和上文一样，推荐安装Anaconda而不是自己安装Python，这样很多科学库都一并装好了，也解决了头疼的库之间互相依赖的问题。Pip同时也被安装完成，为tensorflow的安装打下基础。
进入Anaconda官网：
注意到现在下载版本是4.3.1，其带有的Python是3.6。如果我们安装这个版本，随后安装tensorflow就会因为Python版本太高而失败。我们应该选下面的”archive”链接，下载以前版本。推荐4.1.0，并根据你的windows版本选择合适的版本，32位的选择X86，64位的选择X86_64，正常安装即可。
依赖库的安装
这里假设你安装了Nvidia的显卡，请上其官网下载最新的Linux驱动。如果是CPU用户，请跳过本节。
1.安装cuda
选择合适的Linux版本和X86_64版本，下载。比较大，要1.4G。
2. 安装cudnn
Tensorflow安装
输入
Pip install tensorflow
即可开始安装CPU版本的tensorflow；如果要安装 GPU版本的则输入
Pip install tensorflow-gpu
还有一点是如果你在proxy后面，可以声明proxy
pip install tensorflow --proxy proxy:port实验
建立test.py文件
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data',
one_hot=True)
print(mnist.train.images.shape,mnist.train.labels.shape)
print(mnist.test.images.shape,mnist.test.labels.shape)
print(mnist.validation.images.shape,mnist.validation.labels.shape)运行(python test.py)，如果你在proxy下，会有下载MNIST_data失败的提示。我们可以先输入
export http_proxy=proxy:port
export https_proxy=proxy:port如果一切顺利就会显示
Extracting MNIST_data\train-images-idx3-ubyte.gz
Extracting MNIST_data\train-labels-idx1-ubyte.gz
Extracting MNIST_data\t10k-images-idx3-ubyte.gz
Extracting MNIST_data\t10k-labels-idx1-ubyte.gz
(55000, 784) (55000, 10)
(10000, 784) (10000, 10)
(5000, 784) (5000, 10)后记
如何知道你的GPU有没有启用呢？我们后面会有详细系统调优的系列文章，包括选取三种不同的硬件：Skylake+16GB DDR4 Desktop，单路Xeon E3+GTX1080+16GB DDR4 Server和双路Xeon E7+GTX1080+32GB DDR4 server。比较他们运行MNIST，进行简单线性分类器和CNN神经网络的效能分析、理论和调优，敬请期待。这里先简单说明一下，如果我们运行一个session，CUDA会输出现在的硬件配置，如果你看到了下面这些，就说明你的GPU配置成功了：（如何建立session和运行会在后面文章中）
name: GeForce GTX 1080
major: 6 minor: 1 memoryClockRate (GHz) 1.8095
pciBusID 0000:01:00.0
Total memory: 7.92GiB
Free memory: 7.81GiB
