Jeston nano配置（三）卸载cuda10.2安装cuda9 并安装tensorflow-gpu

（一）卸载cuda10.2

参考帖子：

Nvidiajetsonnano配置CUDA9CUDNN7.1.5 - 百度文库

ourkix的博客：Nvidia jetson nano 配置 CUDA9 CUDNN7.1.5 _ 【IIS7站长之家】

1、卸载cuda

查看已安装cuda

#通过dpkg命令，查看相关cuda安装的包
dpkg -l | grep -i cuda

查询出来是这些，可以根据查询出来的包来⽤apt-get卸载

（下面不是自己的，贴了别人的做演示）

sudo apt-get remove cuda-cublas-10-0
sudo apt-get remove cuda-repo-l4t-10-0-local-10.0.166
sudo apt-get remove cuda-toolkit-10-0
sudo apt-get remove cuda-cudart-10-0
sudo apt-get remove cuda-license-10-0

卸载cuda，我这⾥⼀次性卸载

sudo apt-get remove cuda*

2、卸载cudnn

查询cudnn相关已安装包

dpkg -l | grep -i cudnn

卸载cudnn

sudo apt-get remove libcudnn8*

3、卸载nvinfer

查询nvinfer相关已安装包

dpkg -l | grep -i libnvinfer

卸载nvinfer

sudo apt-get remove libnvinfer*

4、卸载visionwork（根据⾃⼰需求来选择卸载）

查询visionwork相关已安装包

dpkg -l | grep -i vision

卸载visionwork

sudo apt-get remove libvisio*

5、卸载opencv（根据⾃⼰需求来选择卸载）

查询opencv相关已安装包

dpkg -l | grep -i opencv

卸载opencv

sudo apt-get remove libopencv*

（二）下载cuda9、cudnn7

参考帖子：

arm安装cuda9.0，tensorflow-gpu, jetson tx2安装Jetpack踩坑合集 - 水木清扬 - 博客园

Jetson TX2 安装 cuda9.0 及 cudnn7 超详细（真实亲测） - 灰信网（软件开发博客聚合）

1、在下面网站下载.run文件

Jetson Download Center | NVIDIA Developer

2、将文件拷贝到ubuntu16上，操作（注意：ubuntu18不可以）

先给777权限，再 ./ xxx.run

（等待安装。。。）

（注意：路径中不能有中文！！！）

3、打开 jetpack_download 文件夹

下载完成后文件是这些：
cuda-repo-l4t-9-0-local_9.0.252-1_arm64.deb
libcudnn7_7.1.5.14-1+cuda9.0_arm64.deb
libcudnn7-dev_7.1.5.14-1+cuda9.0_arm64.deb
libcudnn7-doc_7.1.5.14-1+cuda9.0_arm64.deb
libnvinfer4_4.1.3-1+cuda9.0_arm64.deb
libnvinfer-dev_4.1.3-1+cuda9.0_arm64.deb
libnvinfer-samples_4.1.3-1+cuda9.0_arm64.deb
libgie-dev_4.1.3-1+cuda9.0_arm64.deb

（三）安装cuda9、cudnn7

（根据这些顺序来安装）

（去到下载好解压的⽂件夹中，命令⾏输⼊）

1、安装cuda

sudo dpkg -i cuda-repo-l4t-9-0-local_9.0.252-1_arm64.deb
sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub
sudo apt update
sudo apt-get install cuda-toolkit-9-0

2、安装cudnn

由于都是 .deb 文件，因此直接使用下面的命令安装即可：

sudo dpkg -i libcudnn7_7.1.5.14-1+cuda9.0_arm64.deb
sudo dpkg -i libcudnn7-dev_7.1.5.14-1+cuda9.0_arm64.deb
sudo dpkg -i libcudnn7-doc_7.1.5.14-1+cuda9.0_arm64.deb

3、安装nvinfer

sudo dpkg -i libnvinfer4_4.1.3-1+cuda9.0_arm64.deb
sudo dpkg -i libnvinfer-dev_4.1.3-1+cuda9.0_arm64.deb
sudo dpkg -i libnvinfer-samples_4.1.3-1+cuda9.0_arm64.deb

4、安装libgie

sudo dpkg -i libgie-dev_4.1.3-1+cuda9.0_arm64.deb

（四）配置环境变量

1、修改cuda的环境变量（没有gedit可以⽤vim）

sudo gedit ~/.bashrc

打开后，拉到最下⾯，将原来的cuda10的环境变量都删除掉。

写⼊

export CUBA_HOME=/usr/local/cuda-9.0
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-9.0/bin:/usr/local/bin/cmake:$PATH

保存退出，更新环境变量

source ~/.bashrc

2、cudnn安装完成后，其实是直接安装到了默认安装路径usr/include和usr/lib下的，因此需要将其拷贝到cuda安装路径下：

sudo cp /usr/include/cudnn.h /usr/local/cuda/include/
sudo cp /usr/lib/aarch64-linux-gnu/libcudnn* /usr/local/cuda/lib64/

然后执行下面命令，用重新生成cudnn库的软连接

cd /usr/local/cuda/lib64sudo chmod +r libcudnn*sudo rm -rf libcudnn.so libcudnn.so.7
sudo ln -s libcudnn.so.7.1.5 libcudnn.so.7
sudo ln -s libcudnn.so.7 libcudnn.sosudo ldconfig

到此，cuda 及 cudnn 安装就完成了。

（五）测试

1、测试cuda版本

nvcc -V

打印出cuda9.0成功

2、测试cudnn版本

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
得到
#define CUDNN_MAJOR 7
#define CUDNN_MINOR 1
#define CUDNN_PATCHLEVEL 5
--
#define CUDNN_VERSION    (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)#include "driver_types.h"

可知，当前的 cudnn 版本是 7.1.5。

3、检查cudnn

玩转Jetson Nano（二）检查已安装组件_贝克汉鸭的博客-CSDN博客

Jetson-nano中已经安装好了cuDNN，并有例子可供运行，我们运行一下例子，也正好验证上面的CUDA

cd /usr/src/cudnn_samples_v7/mnistCUDNN
sudo make
sudo chmod a+x mnistCUDNN
./mnistCUDNN

如果成功，如下所示

（下图中的gcc版本可能有出入）

cudnnGetVersion() : 7105 , CUDNN_VERSION from cudnn.h : 7105 (7.1.5)
Host compiler version : GCC 4.8.4
There are 1 CUDA capable devices on your machine :
device 0 : sms  1  Capabilities 5.3, SmClock 921.6 Mhz, MemSize (Mb) 3956, MemClock 12.8 Mhz, Ecc=0, boardGroupID=0
Using device 0Testing single precision
Loading image data/one_28x28.pgm
Performing forward propagation ...
Testing cudnnGetConvolutionForwardAlgorithm ...
Fastest algorithm is Algo 1
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.354323 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 2.859844 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 5: 8.539687 time requiring 203008 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 7: 8.603073 time requiring 2057744 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 9.619896 time requiring 57600 memory
Resulting weights from Softmax:
0.0000000 0.9999399 0.0000000 0.0000000 0.0000561 0.0000000 0.0000012 0.0000017 0.0000010 0.0000000
Loading image data/three_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000000 0.0000000 0.9999288 0.0000000 0.0000711 0.0000000 0.0000000 0.0000000 0.0000000
Loading image data/five_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 0.9999820 0.0000154 0.0000000 0.0000012 0.0000006 Result of classification: 1 3 5Test passed!Testing half precision (math in single precision)
Loading image data/one_28x28.pgm
Performing forward propagation ...
Testing cudnnGetConvolutionForwardAlgorithm ...
Fastest algorithm is Algo 1
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.206719 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.257865 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 0.354739 time requiring 28800 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 8.522656 time requiring 207360 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 7: 8.905677 time requiring 2057744 memory
Resulting weights from Softmax:
0.0000001 1.0000000 0.0000001 0.0000000 0.0000563 0.0000001 0.0000012 0.0000017 0.0000010 0.0000001
Loading image data/three_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000000 0.0000000 1.0000000 0.0000000 0.0000714 0.0000000 0.0000000 0.0000000 0.0000000
Loading image data/five_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 1.0000000 0.0000154 0.0000000 0.0000012 0.0000006 Result of classification: 1 3 5Test passed!

接下来可以编译opencv、tensorflow-gpu等。

********************************提供更换gcc、g++版本的方法（开始）********************************

为了与cuda9.0匹配，考虑安装了gcc-4.8和g++-4.8（或者gcc-6和g++-6）

安装GCC4.8

sudo apt-get install gcc-4.8

sudo apt-get install g++-4.8

创建软链接：

sudo ln -s /usr/bin/gcc-4.8 /usr/local/cuda/bin/gcc

sudo ln -s /usr/bin/g++-4.8 /usr/local/cuda/bin/g++

**************************************************（结束）************************************************

（六）安装tensorflow

1、安装pip

sudo apt install python-pip

这将安装 pip 和它的许多其他依赖项。

查看pip版本（此时默认pip版本是 9.0.1）

pip -V

升级pip版本

python -m pip install --upgrade pip

pip 升级为 20.3.4

在执行 pip -V之前，要做一些修改：

sudo vi /usr/bin/pip

将原来的

from pip import main
if __name__ == '__main__':sys.exit(main())

改成

from pip import __main__
if __name__ == '__main__':sys.exit(__main__._main())

pip -V

打印：
pip 20.3.4 from /home/nvidia/.local/lib/python2.7/site-packages/pip (python 2.7)

2、安装常用依赖库

sudo apt-get install python-scipy
sudo apt-get install python-pandas
sudo apt-get install python-sklearn

这里面没有numpy和matplotlib，不是说他俩不重要，而是安装其它包时，这两个也会被自动安装。

3、安装tensorflow

1）确认CUDA已经被正常安装

nvcc -V

如果能看到CUDA版本号，即为正确安装

2）安装所需要的包

sudo apt-get install libhdf5-serial-dev hdf5-tools

3）安装TensorFlow GPU版本

因为后面要用ros，考虑安装 py2 的tensorflow-gpu版本（网上帖子都是基于python3的tensorflow-gpu安装，没办法，自己趟出一条血路，经过N次重装系统，终于可行，都是泪）

由于tensorflow1.13.1没有提供python2版本，尝试安装tensorflow1.14.0-py2

Index of /compute/redist/jp/v33/tensorflow-gpu

如果你网速太慢，whl文件我已下载好了，给出链接：

tensorflow_gpu-1.14.0+nv19.9-cp27-cp27mu-linux_aarch64.whl-嵌入式文档类资源-CSDN下载

pip install --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v33 tensorflow-gpu==1.14.0+nv19.9 --user

安装过程中，可能出现error：ImportError: No module named wrapt----------------------------------------
Command "python setup.py egg_info" failed with error code 1 in /tmp/pip-install-kbtEa9/wrapt/解决：
pip install --upgrade setuptools

安装完成后，会有一些警告，如下图

报的警告是：某些安装库的路径没有添加到环境变量PATH 中，先不管它

4）测试tensorflow

在python2.7中导入 tensorflow

成功导入tensorflow

用一个例子测试一下tensorflow

# coding=UTF-8
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as pltx_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
noise = np.random.normal(0, 0.02, x_data.shape)
y_data = np.square(x_data) + noisex = tf.placeholder(tf.float32, [None, 1])
y = tf.placeholder(tf.float32, [None, 1])# 输入层一个神经元，输出层一个神经元，中间10个
# 第一层
Weights_L1 = tf.Variable(tf.random.normal([1, 10]))
Biases_L1 = tf.Variable(tf.zeros([1, 10]))
Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + Biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)# 第二层
Weights_L2 = tf.Variable(tf.random.normal([10, 1]))
Biases_L2 = tf.Variable(tf.zeros([1, 1]))
Wx_plus_b_L2 = tf.matmul(L1, Weights_L2) + Biases_L2
pred = tf.nn.tanh(Wx_plus_b_L2)# 损失函数
loss = tf.reduce_mean(tf.square(y - pred))# 训练
train = tf.train.GradientDescentOptimizer(0.1).minimize(loss)with tf.Session() as sess:sess.run(tf.global_variables_initializer())for i in range(2000):sess.run(train, feed_dict={x: x_data, y: y_data})print("第{0}次，loss = {1}".format(i, sess.run(loss,feed_dict={x: x_data, y: y_data})))pred_vaule = sess.run(pred, feed_dict={x: x_data})plt.figure()plt.scatter(x_data, y_data)plt.plot(x_data, pred_vaule, 'r-', lw=5)plt.show()

例子参考：

玩转Jetson Nano（三）安装TensorFlow GPU_贝克汉鸭的博客-CSDN博客_jetson nano tensorflow

下图是运行成功的截图：

至此，基于python2.7的 tensorflow-gpu 安装完成！！！

（七）安装 keras

考虑与tensorflow-gpu版本适配，我们安装 keras 2.3.1

pip install keras==2.3.1

检查一下安装成果，import keras时，下方提示using TensorFlow backend,就证明Keras安装成功并使用TensorFlow作为backend。

（八）继续安装 opencv

sudo dpkg -i libopencvxxxxxxx.deb

去 jetpack_download文件夹下，自行安装即可。

************************************（分割线）*******************************************************

【下面的内容是安装cuda10、cudnn7.3，经过我的测试，tensorflow1.14.0与cuda10并不兼容，所以下面内容的cuda10、cudnn7.3下载并配置部分可以参考，但是tensorflow安装部分请读者自行修改对应的tensorflow版本】

（二）下载cuda10、cudnn7.3

参考帖子：

arm安装cuda9.0，tensorflow-gpu, jetson tx2安装Jetpack踩坑合集 - 水木清扬 - 博客园

Jetson TX2 安装 cuda9.0 及 cudnn7 超详细（真实亲测） - 灰信网（软件开发博客聚合）

1、在下面网站下载.run文件

Jetson Download Center | NVIDIA Developer

2、将文件拷贝到ubuntu16上，操作（注意：ubuntu18没试过）

先给777权限，再 ./ xxx.run

（等待安装。。。）

（注意：路径中不能有中文！！！）

1是安装路径

2是下载路径，cuda和cudnn安装包就在此

3、打开 jetpack_download 文件夹

下载完成后文件是这些：
cuda-repo-l4t-10-0-local-10.0.117_1.0-1_arm64.deb
libcudnn7_7.3.1.20-1+cuda10.0_arm64.deb
libcudnn7-dev_7.3.1.20-1+cuda10.0_arm64.deb
libcudnn7-doc_7.3.1.20-1+cuda10.0_arm64.deb
libnvinfer5_5.0.3-1+cuda10.0_arm64.deb
libnvinfer-dev_5.0.3-1+cuda10.0_arm64.deb
libnvinfer-samples_5.0.3-1+cuda10.0_all.deb
libgie-dev_5.0.3-1+cuda10.0_all.deb

（三）安装cuda10、cudnn7.1

（根据这些顺序来安装）

（去到下载好解压的⽂件夹中，命令⾏输⼊）

1、安装cuda

sudo dpkg -i cuda-repo-l4t-10-0-local-10.0.117_1.0-1_arm64.deb
sudo apt-key add /var/cuda-repo-10-0-local-10.0.117/7fa2af80.pub
sudo apt update
sudo apt-get install cuda-toolkit-10-0

2、安装cudnn

由于都是 .deb 文件，因此直接使用下面的命令安装即可：

sudo dpkg -i libcudnn7_7.3.1.20-1+cuda10.0_arm64.deb
sudo dpkg -i libcudnn7-dev_7.3.1.20-1+cuda10.0_arm64.deb
sudo dpkg -i libcudnn7-doc_7.3.1.20-1+cuda10.0_arm64.deb

3、安装nvinfer

sudo dpkg -i libnvinfer5_5.0.3-1+cuda10.0_arm64.deb
sudo dpkg -i libnvinfer-dev_5.0.3-1+cuda10.0_arm64.deb
sudo dpkg -i libnvinfer-samples_5.0.3-1+cuda10.0_all.deb

4、安装libgie

sudo dpkg -i libgie-dev_5.0.3-1+cuda10.0_all.deb

（四）配置环境变量

修改cuda的环境变量（没有gedit可以⽤vim）

sudo gedit ~/.bashrc

打开后，拉倒最下⾯，将原来的cuda10.2的环境变量都删除掉。

写⼊

export CUBA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-10.0/bin:/usr/local/bin/cmake:$PATH

保存退出，更新环境变量

source ~/.bashrc

cudnn 安装完成后，其实是直接安装到了默认安装路径usr/include和usr/lib下的，因此需要将其拷贝到cuda安装路径下：

sudo cp /usr/include/cudnn.h /usr/local/cuda/include/
sudo cp /usr/lib/aarch64-linux-gnu/libcudnn* /usr/local/cuda/lib64/

然后执行下面命令，用重新生成cudnn库的软连接

cd /usr/local/cuda/lib64sudo chmod +r libcudnn*sudo rm -rf libcudnn.so libcudnn.so.7
sudo ln -s libcudnn.so.7.3.1 libcudnn.so.7
sudo ln -s libcudnn.so.7 libcudnn.sosudo ldconfig

到此，cuda 及 cudnn 安装就完成了。

（五）测试

nvcc -V打印出：
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sun_Aug_12_21:08:25_CDT_2018
Cuda compilation tools, release 10.0, V10.0.117

打印出cuda10.0成功。

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
得到
#define CUDNN_MAJOR 7
#define CUDNN_MINOR 3
#define CUDNN_PATCHLEVEL 1
--
#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)#include "driver_types.h"

可知，当前的 cudnn 版本是 7.3.1。

检查cudnn

玩转Jetson Nano（二）检查已安装组件_贝克汉鸭的博客-CSDN博客

Jetson-nano中已经安装好了cuDNN，并有例子可供运行，我们运行一下例子，也正好验证上面的CUDA

cd /usr/src/cudnn_samples_v7/mnistCUDNN
sudo make
sudo chmod a+x mnistCUDNN
./mnistCUDNN

如果成功，如下所示

cudnnGetVersion() : 7301 , CUDNN_VERSION from cudnn.h : 7301 (7.3.1)
Host compiler version : GCC 7.5.0
There are 1 CUDA capable devices on your machine :
device 0 : sms  1  Capabilities 5.3, SmClock 921.6 Mhz, MemSize (Mb) 3956, MemClock 12.8 Mhz, Ecc=0, boardGroupID=0
Using device 0Testing single precision
Loading image data/one_28x28.pgm
Performing forward propagation ...
Testing cudnnGetConvolutionForwardAlgorithm ...
Fastest algorithm is Algo 1
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.105781 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.908281 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 5.615313 time requiring 57600 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 8.604583 time requiring 207360 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 7: 9.908385 time requiring 2057744 memory
Resulting weights from Softmax:
0.0000000 0.9999399 0.0000000 0.0000000 0.0000561 0.0000000 0.0000012 0.0000017 0.0000010 0.0000000
Loading image data/three_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000000 0.0000000 0.9999288 0.0000000 0.0000711 0.0000000 0.0000000 0.0000000 0.0000000
Loading image data/five_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 0.9999820 0.0000154 0.0000000 0.0000012 0.0000006 Result of classification: 1 3 5Test passed!Testing half precision (math in single precision)
Loading image data/one_28x28.pgm
Performing forward propagation ...
Testing cudnnGetConvolutionForwardAlgorithm ...
Fastest algorithm is Algo 1
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.128698 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 0.214740 time requiring 28800 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.397813 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 1.029636 time requiring 207360 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 5: 6.952447 time requiring 203008 memory
Resulting weights from Softmax:
0.0000001 1.0000000 0.0000001 0.0000000 0.0000563 0.0000001 0.0000012 0.0000017 0.0000010 0.0000001
Loading image data/three_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000000 0.0000000 1.0000000 0.0000000 0.0000714 0.0000000 0.0000000 0.0000000 0.0000000
Loading image data/five_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 1.0000000 0.0000154 0.0000000 0.0000012 0.0000006 Result of classification: 1 3 5Test passed!

（六）安装tensorflow

1、安装pip

sudo apt install python-pip这将安装 pip 和它的许多其他依赖项。

查看pip版本

pip -V此时默认pip版本是 9.0.1

升级pip版本

python -m pip install --upgrade pip升级为 20.3.4

在执行 pip -V之前，要做一些修改：

sudo vi /usr/bin/pip

将原来的

from pip import main
if __name__ == '__main__':sys.exit(main())

改成

from pip import __main__
if __name__ == '__main__':sys.exit(__main__._main())

pip -V打印：
pip 20.3.4 from /home/nvidia/.local/lib/python2.7/site-packages/pip (python 2.7)

2、安装常用依赖库

sudo apt-get install python-scipy
sudo apt-get install python-pandas
sudo apt-get install python-sklearn这里面没有numpy和matplotlib，不是说他俩不重要，而是安装其它包时，这两个也会被自动安装。

3、安装tensorflow

（1）确认CUDA已经被正常安装

nvcc -V

如果能看到CUDA版本号，即为正确安装

（2）安装所需要的包

sudo apt-get install libhdf5-serial-dev hdf5-tools

（3）安装TensorFlow GPU版本

Index of /compute/redist/jp/v33/tensorflow-gpu

pip install --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v33 tensorflow-gpu==1.14.0+nv19.9 --user

可能出现error：ImportError: No module named wrapt----------------------------------------
Command "python setup.py egg_info" failed with error code 1 in /tmp/pip-install-kbtEa9/wrapt/解决：
pip install --upgrade setuptools