ubuntu20.04 安装、美化、办公环境搭建及深度学习开发环境搭建

一 ubuntu20.04安装
二简单美化
三办公环境搭建
- 3.1 语言
- 3.2 常用的软件安装
- 3.3 Sublime && Typora
- 3.4 微信、QQ、百度网盘
四深度神经网络GPU环境
- 4.1 简单介绍安装过程
- 4.2 nvidia Driver 安装
- 4.3 CUDA的安装
- - **1 确定与driver版本相匹配的cuda版本并下载**
  - **2 两件预备工作-安装依赖库以及降低gcc版本**
  - **3 安装cuda**
  - 4 **环境配置**
  - 5 **测试**
- **4.4 cuDNN安装**
五集成开发环境搭建
- 5.1 Anaconda
- 5.2 Pycharm安装
- 5.3 TensorFlow和Keras 安装

一 ubuntu20.04安装

1 前言
我们进行双系统的安装
电脑起初是win10系统，在此基础上留出80G“为分配”的空间来装载ubuntu20.04系统，按照下列方法进行安装，亲测有效。
安装ubuntu前，电脑基本配置是：
WIN10；
GeForce GTX 1650；
i7-9750H CPU；
7.6 GiB；
512.1 GB SSD ；

2 方式
推荐跟着视频一步步地进行操作，亲测有效。
视频教程链接：【ubuntu20.04】10分钟win10安装ubuntu20.04双系统（无需Bios设置）

其实按照上面的方式，足够大家安装运行，不过为了防止该视频因特殊情况而失效，还是尝试做一个简单的总结：

下载软件：ubuntu-20.04-desktop-amd64.iso（桌面版而不是服务器版本）、rufus-3.11.exe（用制作系统启动盘的高效简便的官方推荐软件）。
烧录系统：准备32G以上的U盘，打开rufus软件，仅需要指定U盘以及iso文件的位置。我在制作的时候，可能会提示需要安装几个文件，同意即可。
Windows分区：通过磁盘管理器，通过压缩或者扩展的方式得到一定大小的“未分配的内存空间”。**我分配了80G，如果需要扩展卷，是需要被扩展卷的右侧有未被分配的空间的。同时，未被分配的内存不会在“我的电脑”中显示。**至此，准备工作结束。
重启并通过U盘进入安装界面：视频中介绍了一种shift+点击重启的技术，替代通过F12、bios选择，详情见视频，
安装选择：为了安装方便，选择中文语言、“更新和其他软件”中选择正常安装、“安装类型”中选择其他选项，进而选择目标“空闲”内存作为分区位置，其中，挂载点位置，对于初学者，应填写“/”、“这是谁”中密码因为会经常使用，所以不建议繁琐，用户名不可以为大写，最终较为漫长的等待。安装结束后重启，重启时会提醒将U盘拔出。
电脑启动：先进入GRUB界面，使用户选择进入哪个系统，默认会选择Ubuntu。

至此，安装全部结束。

二简单美化

1 自己的界面

背景图片是系统自带，使用了系统自带的图标和主题，对shell使用了其他的风格。

外观-Dock更改

声音-允许声音超过100,另输出声音均衡输出。

我没有使用网上大肆推崇的Mac风格，我尝试过，由于图标颜色与背景不搭等视觉问题，我最终回归了Ubuntu自带的风格。
我也没有使用Dash to dock 与Dash to panel 两个常用的扩展，因为有时候会出一点问题，不愿意为了画面美观过度消费精力。
在经过一番折腾后，虽然几近回到了原点，但是我仍然保留了chromeOS风格的shell，让我比较喜欢。

2 方式

我几乎就是根据重点参考文章，真正的大神，实时更新，给Ubuntu18.04(18.10)安装mac os主题这篇文章过了一把瘾。

不过一些网站的打开速度，确实让人感动，因此也建议大家如果无闲暇时间，就不要尝试打开这些网页下载。
推荐文章的大神特意分享了一些thems和icons，我也保存了下来，做了分享，以备不时之需。

链接：https://pan.baidu.com/s/11i5oMBd0NEqI7KNpza-75A 密码：49zr

具体的使用方式，见大神的巨作！

三办公环境搭建

3.1 语言

ubuntu20.04中因为缺少某些包的原因，不能再安装搜狗输入法了。
我尝试使用谷歌输入法，虽然没有windows系统下的界面舒服，但是是目前我本人用过比较满意的。

具体的执行方式参考：ubuntu 20.04中文输入法安装。
简述为三步：

sudo apt-get install fcitx-googlepinyin
language support 中的键盘输入法系统Keyboard input method system将默认的iBus，更改为fcitx。
应用程序fcitx配置中通过加号+添加新的输入法Google Pinyin。

3.2 常用的软件安装

sudo apt-get install fcitx-googlepinyin # 谷歌拼音输入法
sudo apt-get install git # git
sudo apt-get install stacer # 系统管理器
sudo apt-get install virtualbox # 虚拟机
sudo apt-get install okular # pdf阅读器
sudo apt-get install flameshot # 截图工具
sudo apt-get install pandoc # markdown转word
sudo apt-get install texmaker # latex编辑器
sudo apt-get install redshift # 屏幕色温调节
sudo apt-get install pdfgrep # pdf文件正则表达式检索
sudo apt-get install recoll poppler-utils # 文件内容检索工具
sudo apt-get install rdfind # 重复文件扫描
sudo snap install mathpix-snipping-tool # 图片转latex

3.3 Sublime && Typora

参考文章ubuntu装机一条龙

wget -qO - https://download.sublimetext.com/sublimehq-pub.gpg | sudo apt-key add -
sudo apt-get install apt-transport-https
echo "deb https://download.sublimetext.com/ apt/stable/" | sudo tee /etc/apt/sources.list.d/sublime-text.list
sudo apt-get update
sudo apt-get install sublime-text

wget -qO - https://typora.io/linux/public-key.asc | sudo apt-key add -
sudo add-apt-repository 'deb https://typora.io/linux ./'
sudo apt-get update
sudo apt-get install typora

3.4 微信、QQ、百度网盘

参考文章Ubuntu 20.04 安装微信、QQ等
其中，TopIcons Plus插件的安装，参考文章ubuntu18 安装TopIcons-plus

经常性的微信对于我而言，还有另一个不可或缺的功能是：截图！

注意的是：

关于截图，如果快捷键设置不对，就不能唤醒截图功能，可以多次尝试尝试；而且如果微信的界面没有显示，就算是托盘悬浮，也不能通过快捷键唤醒截图功能。
不过自己尝试的时候，感觉截屏的图像不能够粘贴到其他的平台。只能在微信内部粘贴复制。
TIM的情况与微信一致，不过TIM的截图可以在微信中粘贴复制，微信的也可以在TIM中使用。具体的内容需要大家自行探索。

四深度神经网络GPU环境

参考文章：Ubuntu18.04深度学习GPU环境配置.

4.1 简单介绍安装过程

Nvida Driver安装
CUDA编程语言环境安装，是一种通用并行计算架构
cuDNN安装，是用于深度神经网络的GPU加速库
Anaconda安装

需要首要强调的是，从diver的版本到cuda、cuDNN以及Anaconda，版本必须相匹配，且前面的的版本决定了后面的版本，而driver的版本则取决于系统的类型和GPU的款式。

下面的内容并不具体，只是将命令行copy了，因而缺乏图像说明与展示。

4.2 nvidia Driver 安装

1 驱动安装流程
首先删除旧有的驱动、其次禁止自带的nouveau nvidia驱动、然后添加PPA、最终通过PPA存储哭安装适合的dirver。

2 删除旧的驱动
原来Linux默认安装的显卡驱动不是英伟达的驱动，所以先把旧得驱动删除掉

sudo apt-get purge nvidia*

3 禁止自带的nouveau nvidia驱动
打开配置文件：

sudo vim /etc/modprobe.d/blacklist-nouveau.conf

填写禁止配置的内容：

blacklist nouveau
options nouveau modeset=0

更新配置文件

sudo update-initramfs -u

至此，需要重启一下，这里需要知道，当遇到驱动安装或者更改时，我们通常需要在操作完成后重新启动系统。

4 添加Graphic Drivers PPA

# 将ppa:graphics-drivers/ppa存储库添加到系统中
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update

查看合适的驱动版本：

# 接下来，确定您的显卡型号和推荐的驱动程序
ubuntu-drivers devices###################
(base) martoony@xutongli-OMEN:~$ ubuntu-drivers devices
== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 ==
modalias : pci:v000010DEd00001F91sv0000103Csd00008575bc03sc00i00
vendor   : NVIDIA Corporation
model    : TU117M [GeForce GTX 1650 Mobile / Max-Q]
driver   : nvidia-driver-440 - distro non-free recommended
driver   : nvidia-driver-435 - distro non-free
driver   : xserver-xorg-video-nouveau - distro free builtin

这里显示建议安装440。

# 安装
sudo apt-get install nvidia-driver-440

这里安装时，你的终端中应该会出现了一个通知，
内容大致是提醒你重新启动电脑，并且重新启动之前，需要输入一个密码，在重启的时候会用它启动驱动的切换。

事实上我在进行该行命令时，在弹出提醒后，就卡了，无法点击确定退出，也根本没有遇到要求写入密码的环节。
暴力关掉终端后，再次运行该命令，会提示apt被6547的进程占用，于是通过kill命令杀死了该进程。

之后，我在网上百度，得知可以通过“软件与更新”中的附加驱动切换驱动程序。

因而我换用了435的驱动，点击应用更改后，过一会儿会出现输入密码的环节。（仿佛这样的方式才是正常的方式，我不确定附加驱动中是否在一开始就存在这两个驱动的选项，如果一开始就存在，那不妨就通过该方式进行安装，倒来得方便）

以上介绍了一个bug，但是重点在于，重启操作执行后，会跳出一个蓝色背景的界面perform mok management，这个界面的操作才是关键。
参考文章配有 Nvidia 显卡的笔记本安装 ubuntu18.04 所遇到的问题与解决以及Ubuntu16的gtx1070显卡+对应显卡驱动安装（精简版）

正确的做法是：

当进入蓝色背景的界面perform mok management 后，选择 enroll mok ,如果选择的是continue boot，则会正常进入系统，但是并不会加载驱动。
进入enroll mok 界面，选择 continue ,
进入enroll the key 界面，选择 yes ,
接下来输入你在安装驱动时输入的密码，
之后会跳到蓝色背景的界面perform mok management 选择第一个 reboot

# 完成后，重新启动系统
sudo reboot

这样，重启后N卡驱动就加载了。

5 其他的安装方式简介

注意，你可能看到其他的安装方式。
比如，通过Nvidia驱动下载官网查询下载，从该网站查询可知，我应该安装的驱动版本是430,而事实上，我通过PPA方式安装的是435也可以用，如果是这种方式安装，下载后也可以安装，具体的操作方式参考文章如何在Ubuntu 18.04 Bionic Beaver Linux上安装NVIDIA驱动程序,文章还介绍了第三种方式，即通过标准Ubuntu存储库自动安装

总的来说，推荐通过PPA信息库的方式安装最新的Nvidia beta驱动程序，以免出现系统不稳定的风险，除此之外，从官网下载run文件再安装的方式也是比较常用的。

6 测试驱动是否完成

nvidia-smi#############################
Sun Jul  5 11:00:10 2020
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 435.21       Driver Version: 435.21       CUDA Version: 10.1     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GTX 1650    Off  | 00000000:01:00.0 Off |                  N/A |
| N/A   43C    P8     2W /  N/A |    577MiB /  3911MiB |     11%      Default |
+-------------------------------+----------------------+----------------------++-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0      1172      G   /usr/lib/xorg/Xorg                            45MiB |
|    0      1726      G   /usr/lib/xorg/Xorg                           241MiB |
|    0      3042      G   ...AAAAAAAAAAAACAAAAAAAAAA= --shared-files   106MiB |
|    0     49895      G   /usr/bin/gnome-shell                         175MiB |
+-----------------------------------------------------------------------------+

4.3 CUDA的安装

1 确定与driver版本相匹配的cuda版本并下载

通过官网查询NVIDIA CUDA Toolkit Release Notes.
方便起见，将相关的图展示出来。

我的驱动是435的，因而我选择最新且适应的CUDA10.1。
然后进入官网下载对应的版本CUDA Toolkit Archive

以上的版本都可以选择性的安装，如果安装较低版本的CUDA应该会被通知更新升级吧，具体没有了解，不过不重要，程序安装，坚持按部就班就是对的。

以 10.1 update为例。
下载到Downloads文件下，再启动终端，执行sudo sh命令。
不过在执行sudo sh命令之前，需要做两件预备工作。

2 两件预备工作-安装依赖库以及降低gcc版本

首先是，安装依赖库。

# 依赖库安装
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

其次是，降级gcc的版本
通常我们的ubuntu系统自带的gcc版本较高，比如ubuntu20.04中的gcc是9.3.0版本的。
而CUDA9.0要求GCC版本是5.x或者6.x；CUDA10.0则要求GCC版本是7，并且ubuntu20.04中当安装gcc 5 的时候，提示已经不提供了。
这就是需要降低gcc版本的原因。

方法如下：

查看自己系统的gcc版本

g++ --version
######################################
已经是修改后的版本。
g++ (Ubuntu 7.5.0-6ubuntu2) 7.5.0
Copyright (C) 2017 Free Software Foundation, Inc.
This is free software; see the source for copying conditions.  There is NO
warranty; not even for MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.

根据官网选择匹配的gcc版本。

参考文章NVIDIA CUDA Installation Guide for Linux
如果自带gcc是高版本，进行降级操作

# 首先，安装地版本的gcc
sudo apt-get install gcc-7
sudo apt-get install g++-7# 替换之前的版本
# 其中的50 表示优先级，具体意义并不清楚，但是有效
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 50
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-7 50# 再次查看gcc版本，检查是否修改完毕。
g++ --version

3 安装cuda

1 执行命令

# 具体的run文件的名字结合自己的匹配版本进行修改。
sudo sh cuda_10.1.168_418.67_linux.run

2 输入accept

3 选择安装选项：不选驱动

接下来的步骤均是yes。
参考文章Ubuntu：安装 cuda10.1 驱动

4 环境配置

进行环境的配置

sudo gedit ~/.bashrc

会弹出一个可写的配置文件，在末尾把以下配置写入并保存。

# 记得修改一下路径呀！
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-10.1/lib64
export PATH=$PATH:/usr/local/cuda-10.1/bin
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-10.1

最后执行

source ~/.bashrc

5 测试

# 第一步，进入例子文件
cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
# 第二步，执行make命令
sudo make
# 第三步
./deviceQuery

显示的内容是

./deviceQuery Starting...CUDA Device Query (Runtime API) version (CUDART static linking)Detected 1 CUDA Capable device(s)Device 0: "GeForce GTX 1650"CUDA Driver Version / Runtime Version          10.1 / 10.1CUDA Capability Major/Minor version number:    7.5Total amount of global memory:                 3912 MBytes (4101898240 bytes)(16) Multiprocessors, ( 64) CUDA Cores/MP:     1024 CUDA CoresGPU Max Clock rate:                            1560 MHz (1.56 GHz)Memory Clock rate:                             4001 MhzMemory Bus Width:                              128-bitL2 Cache Size:                                 1048576 bytesMaximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layersMaximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layersTotal amount of constant memory:               65536 bytesTotal amount of shared memory per block:       49152 bytesTotal number of registers available per block: 65536Warp size:                                     32Maximum number of threads per multiprocessor:  1024Maximum number of threads per block:           1024Max dimension size of a thread block (x,y,z): (1024, 1024, 64)Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)Maximum memory pitch:                          2147483647 bytesTexture alignment:                             512 bytesConcurrent copy and kernel execution:          Yes with 3 copy engine(s)Run time limit on kernels:                     YesIntegrated GPU sharing Host Memory:            NoSupport host page-locked memory mapping:       YesAlignment requirement for Surfaces:            YesDevice has ECC support:                        DisabledDevice supports Unified Addressing (UVA):      YesDevice supports Compute Preemption:            YesSupports Cooperative Kernel Launch:            YesSupports MultiDevice Co-op Kernel Launch:      YesDevice PCI Domain ID / Bus ID / location ID:   0 / 1 / 0Compute Mode:< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.1, CUDA Runtime Version = 10.1, NumDevs = 1
Result = PASS

如此，表示通过。
通过以下命令可以检测driver的版本以及GPU的使用情况

sudo  nvidia-smi########################################
Sun Jul  5 11:00:10 2020
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 435.21       Driver Version: 435.21       CUDA Version: 10.1     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GTX 1650    Off  | 00000000:01:00.0 Off |                  N/A |
| N/A   43C    P8     2W /  N/A |    577MiB /  3911MiB |     11%      Default |
+-------------------------------+----------------------+----------------------++-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0      1172      G   /usr/lib/xorg/Xorg                            45MiB |
|    0      1726      G   /usr/lib/xorg/Xorg                           241MiB |
|    0      3042      G   ...AAAAAAAAAAAACAAAAAAAAAA= --shared-files   106MiB |
|    0     49895      G   /usr/bin/gnome-shell                         175MiB |
+-----------------------------------------------------------------------------+

同时，如果在进行深度学习训练时，可以执行如下命令实时检测GPU使用。

# 我们设置为每 10s 显示一次显存的情况
watch -n 10 nvidia-smi###############################
Every 10.0s: nvidia-smi                                                                                                                              xutongli-OMEN: Sun Jul  5 11:24:40 2020Sun Jul  5 11:24:40 2020
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 435.21       Driver Version: 435.21       CUDA Version: 10.1     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GTX 1650    Off  | 00000000:01:00.0 Off |                  N/A |
| N/A   43C    P8     2W /  N/A |    582MiB /  3911MiB |      2%      Default |
+-------------------------------+----------------------+----------------------++-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0      1172      G   /usr/lib/xorg/Xorg                            45MiB |
|    0      1726      G   /usr/lib/xorg/Xorg                           240MiB |
|    0      3042      G   ...AAAAAAAAAAAACAAAAAAAAAA= --shared-files   108MiB |
|    0     49895      G   /usr/bin/gnome-shell                         178MiB |
+-----------------------------------------------------------------------------+上面的表格中：
第一栏的Fan：N/A是风扇转速，从0到100%之间变动。有的设备不会返回转速，因为它不依赖风扇冷却而是通过其他外设保持低温。
第二栏的Temp：是温度，单位摄氏度。
第三栏的Perf：是性能状态，从P0到P12，P0表示最大性能，P12表示状态最小性能。
第四栏下方的Pwr：是能耗，上方的Persistence-M：是持续模式的状态，持续模式虽然耗能大，但是在新的GPU应用启动时，花费的时间更少，这里显示的是off的状态。
第五栏的Bus-Id是涉及GPU总线的东西，domain:bus:device.function
第六栏的Disp.A是Display Active，表示GPU的显示是否初始化。
第五第六栏下方的Memory Usage是显存使用率。
第七栏是浮动的GPU利用率。
第八栏上方是关于ECC的东西。
第八栏下方Compute M是计算模式。

4.4 cuDNN安装

1 选择匹配的版本下载对应的三个deb文件包
参考网站cuDNN Download,应该是需要登录后才可以下载。

找到下面的三个文件，下载到Downloads中

注意的是，ubuntu系统为20.04,我们选择18.04也是可以的。
重要的是根据CUDA版本选择cuDNN。

2 安装cnDNN

# 安装命令
tar -zxvf cudnn-10.1-linux-x64-v7.6.5.32.tgzsudo 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
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

3 测试

# 如图中的命令
cp -r /usr/src/cudnn_samples_v7/ $HOME
cd $HOME/cudnn_samples_v7/mnistCUDNN
make clean && make
./mnistCUDNN
#################################################################
最终如果有提示信息：“Test passed! ”，则说明安装成功

cudnnGetVersion() : 7605 , CUDNN_VERSION from cudnn.h : 7605 (7.6.5)
Host compiler version : GCC 7.5.0
There are 1 CUDA capable devices on your machine :
device 0 : sms 16  Capabilities 7.5, SmClock 1560.0 Mhz, MemSize (Mb) 3911, MemClock 4001.0 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 0
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.017376 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.040768 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 0.042656 time requiring 57600 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 5: 0.069632 time requiring 203008 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 7: 0.118784 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 0
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 0.029216 time requiring 28800 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.030720 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.047232 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 5: 0.059360 time requiring 203008 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 0.064672 time requiring 207360 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!

至此，深度神经网络的GPU环境已经安装完毕

五集成开发环境搭建

5.1 Anaconda

建议使用anaconda以及虚拟环境进行开发，通过Anaconda安装jupyterNotebook等内容。

通过官网进行下载Anaconda安装程序.下载到Downloads中。

安装过程是参考官网Installing on Linux,

bash Anaconda3-2020.02-Linux-x86_64.sh

同时参考中文的操作文档Ubuntu 安装 Anaconda3 详细步骤

sudo gedit ~/.bashrc
export PATH=/home/aeasringnar/anaconda3/bin:$PATH
source ~/.bashrc

5.2 Pycharm安装

tar -zxvf pycharm-community-2020.3.2.tar.gz
sh pycharm-community-2020.3.2/bin/pycharm.sh

参考文章：在Ubuntu 20.04中安装Pycharm 2020.1
另，pycharm添加桌面图标的另一个方式是：

5.3 TensorFlow和Keras 安装

安装完anaconda 以后可以在终端直接用pip 对TensorFlow和Keras进行安装，这时，是对conda中的python进行的安装，而不是系统自带的。

建议采用conda安装，参考文章ubuntu16.04下安装&配置anaconda+tensorflow新手教程

至此，结束所有的内容。