前言
由于之前的主机存在运行docker自动重启的问题，跑模型没问题，排查之后没有发现问题所在，所以最后决定升级技嘉主板的bios并重新安装系统和环境。

1 硬件环境
显卡：GTX1080Ti
内存：32G
硬盘：256G SSD+1T机械
2 安装Ubuntu 18.04 LTS
2.1 下载官方镜像
下载地址：

Download Ubuntu Desktop | Download | Ubuntu
​
ubuntu.com
2.2 制作USB启动盘
使用Refus烧录镜像到U盘，Refus下载地址：Refus。

其中，持久分区大小可不选，分区类型选择GPT，目标系统类型选择UEFI（需要在bios里开启UEFI启动的功能），最后完成镜像的烧录。

2.3 安装系统
安装系统的步骤不在这里赘述，其他的博客[1]写的很好了，在这里提几个关键点，我的磁盘分区方案是：

2G的EFI分区
32G的swap分区（和内存大小一样）
剩下的ssd存储空间分给根目录
home挂载在机械硬盘下
之后按照步骤直到完成系统的安装。

3 安装显卡驱动
在这一步花费了大量时间，根据网上搜索的结果，大部分博客都是总结了显卡驱动安装的三种方法：

1.使用标准Ubuntu仓库进行自动化安装
2.使用PPA仓库进行自动化安装
3.使用官方的NVIDIA驱动进行手动安装
在尝试这三种方法之后，使用nvidia-smi显示连接不到显卡，重启机器也是直接进入命令行模式。

所以，换了另外一种方法，具体过程如下：

首先，在系统安装完成之后不要换源，执行下面的命令去检查软件的更新

sudo apt-get update
之后在应用列表中打开Software & Updates，点击Additional Drivers，这个时候，官方推荐的列表就会显示了，其实这个跟执行

ubuntu-drivers devices
是一样的显示效果，但是在Software & Updates中操作会更稳妥一些。

点击 Apply Changes，等待进度条走完重启机器就安装完成了。执行nvidia-smi，显示如图，表示成功安装显卡驱动。

4 安装CUDA10.0
下载地址：https://developer.nvidia.com/cuda-toolkit-archive

选择CUDA 10.0

建议下载runfile，安装命令如下：

sudo sh cuda__linux.run
在安装过程中，

选择是否安装显卡驱动时选择否
是否构建/usr/local/cuda软链接时选择是
其他选项按需选择
安装完成后，需要在~/.bashrc（/home/用户名/.bashrc，.表示隐藏文件，直接用vi打开这个文件就行）文件中添加如下语句

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
或者

export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
建议使用第二种，因为在构建了/usr/local/cuda软链接之后，我们在.bashrc文件中使用该链接作为环境变量，之后只需修改该软链接就可以切换CUDA的版本。

5 安装cuDNN
cuDNN的下载需要匹配CUDA的版本，也需要适配接下来需要安装的TensorFlow的版本。

cuDNN的下载地址：

cuDNN
​
developer.nvidia.com
下载cuDNN需要注册英伟达开发者账号，在链接页面中操作即可。

官方安装说明：cuDNN安装指南

其中分为两种：

1.TAR File

tar -xzvf cudnn-9.0-linux-x64-v7.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

1. Debian File

sudo dpkg -i libcudnn7_7.0.3.11-1+cuda9.0_amd64.deb
sudo dpkg -i libcudnn7-devel_7.0.3.11-1+cuda9.0_amd64.deb
sudo dpkg -i libcudnn7-doc_7.0.3.11-1+cuda9.0_amd64.deb
确定是否安装好

cp -r /usr/src/cudnn_samples_v7/ $HOME
cd $HOME/cudnn_samples_v7/mnistCUDNN
make clean && make
./mnistCUDNN
执行完成显示Test passed!即可

6 安装深度学习套件
6.1 安装anaconda
官方下载地址：

Anaconda Python/R Distribution - Free Download
​
www.anaconda.com
图标
安装命令：

bash Anaconda3-5.3.0-Linux-x86_64.sh
安装过程中询问是否将anaconda的安装位置写入.bashrc选择是。

为conda换源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
6.2 安装TensorFlow.
官方教程：

使用 pip 安装 TensorFlow | TensorFlow
​
tensorflow.google.cn
图标
首先，下载TensorFlow的离线镜像

新建虚拟环境

conda create -n keras pip python=3.6
激活虚拟环境

source activate keras
安装TensorFlow

pip install --ignore-installed --upgrade packageURL
测试

import tensorflow as tf
hello = tf.constant('first tensorflow')
sess = tf.Session()
print sess.run(hello)
6.3 安装keras
在上节的keras虚拟环境中，输入命令：

pip install keras -U --pre
测试

git clone https://github.com/fchollet/keras.git
cd keras/examples/
python mnist_mlp.py
网速较差的可以去对应的git仓库中下载example运行。

7 总结
基本上，深度学习的环境算是搭建完成了，再重新安装docker进行测试以后，运行镜像没有问题。写这篇博客的目的是为了记录自己的安装过程，以备后期使用。如果有写的不合适的地方，欢迎提意见。