先說機器配置：

CPU：Intel Xeon E3-1230 v5 skylake平臺（此CPU無核顯）

主板：ASUS E3 Pro Gaming v5

RAM：8G

GPU：ASUS STRIX-GTX1070 O8GB

存儲：1個128G SSD + 1個 1T 機械硬盤 都是GPT分區

為什么先說機器配置呢？因為在安裝Ubuntu過程中這個相當重要，在網上找到的教程中，大多數是在筆記本電腦或者比較舊的電腦上安裝。如果你的機器是這一兩年內的新配置（一般都是UEFI+GPT），本教程應該會相對實用。不過，還是要先了解自己的機器是傳統的BIOS+MBR還是新的UEFI+GPT，相關內容可以看這里（關鍵是看看BIOS和UEFI長什么樣子）。而自己機器分區表是MBR還是GPT，在Win10下也可通過Win+X進入“磁盤管理”查看。我的機器是UEFI+GPT的，環境搭建也是以此為基礎。

1 Ubuntu安裝

1.1 Win10下的磁盤分區

考慮到雙系統的共存，需要在磁盤中為Ubuntu系統劃分空間。Win10下，通過Win+X進入磁盤管理查看分區，由于我的機器的128G SSD作為Win10系統C盤，所以我在仍有較大空間的D盤（機械硬盤）中為Ubuntu系統劃分100GB，步驟：在新加卷D:上右鍵->壓縮卷->填寫劃分的空間->壓縮->完成。此時可以看到在D盤下劃分了一個未分配的100GB空間：


需要注意的是 ，無需對這100GB未分配空間改動，讓它保持 未分配就好。

1.2 Win10下的設置

這里主要是要禁用快速啟動，因為快速啟動會阻礙Ubuntu系統的掛載。

Win+X進入電源選項->選擇電源按鈕的功能->更改當前不可用的設置->將“啟用快速啟動”的選項去掉->保存修改。

1.3 UEFI下的設置

這里首先要重啟，華碩主板按Delete或者F2進入UEFI界面。

1.3.1 UEFI禁用Fast Boot

進入UEFI后，按F7進入Advanced Mode，在Boot菜單下，將Fast Boot改為Disable。

1.3.2 UEFI更改CSM（重中之重）

在Fast Boot下面，可以看到CSM（Compatibility Support Module），這是主板可以兼容傳統BIOS和新UEFI引導的模塊，點入去將Boot Device Control 更改為UEFI only。

這里Legacy OPROM就是傳統BIOS引導，有人可能會問，為什么不保留初始的UEFI and?Legacy OPROM，就可以兼容兩種模式了？經過我的試驗，即多次安裝Ubuntu過程中，發現使用純UEFI引導的安裝更容易成功，特別在Ubuntu系統內的分區中（后面會提到）會更妥當。

1.3.3 UEFI禁用Secure Boot（自行選擇）

CSM下方的Secure Boot，點進去會看到Secure Boot的選項是灰色無法更改的。關于Secure Boot的問題，可以參考這里和這里。

但是當我將各種Key備份好，準備Delete?Platform Key (PK)時，我發現這樣會導致Win10系統重置，所以我并未執行此步，在后面步驟也正常，讀者可自行選擇是否執行此步。

1.4 制作Ubuntu的U盤啟動盤

網上大多數教程都會采用UltraISO，這里我用的是 Rufus。

從官網下載好ubuntu-14.04.5-desktop-amd64.iso后，利用Rufus刻錄。注意，一定要在“分區方案和目標系統類型”中選擇->“用于UEFI計算機的GPT分區方案”。

1.5 開始安裝

重啟，華碩主板按Delete或者F2進入UEFI界面，選擇帶UEFI字樣的U盤啟動。進入GNU GRUB后，選擇Install Ubuntu。

后面的安裝有圖形界面引導，需要說明的是安裝方式及分區。由于要安裝雙系統，在安裝方式里一定要選擇“其它選項（Something else）”。

進入分區后，根據剛才在Win10下劃分的未分配100GB，可以在當前安裝界面中的分區表找到一個107876MB左右的空閑區域，選中，點擊左側“+”進行分區，共分三個區如下：

1. 300MB->邏輯分區->空間起始位置->EFI引導分區（EFI boot partition） ；

2. 8192MB->主分區->空間起始位置->交換空間（swap area）；

3. 剩余所有空間->主分區->空間起始位置->Ext4日志文件系統（Ext4 journaling file system）->掛載點為“/”。

分區完成后，下面要選擇“安裝啟動引導器的設備”，這里選擇分區表中EFI引導分區（300MB）所在的設備，這個設備是分區表中的第一列，你可以在那里看到剛剛分的各個區所在的“設備”（實際上都在同一個硬盤上，但由于虛擬磁盤管理，不同的分區在不同“設備”上）。我的EFI引導分區在“dev/sdb3”上，那么“安裝啟動引導器的設備”就相應選擇“dev/sdb3”。分區過程圖可以看這里。

注意：

1.?交換空間的大小是根據機器本身的內存RAM大小決定的，可以根據實際情況分配。

2.?“安裝啟動引導器的設備”這里的“dev/”后面接的無論是“sda”還是“sdb”，選擇EFI引導分區對應的設備即可。順帶解釋一下“dev/sda”、“dev/sdb”的問題，這是在有兩塊不同的物理硬盤才會顯示，如果只有一塊硬盤的話，當然只能看見“dev/sda”了。

接下來的地區選擇、鍵盤布局、用戶名及密碼相對常規，可以自行設置。

1.6 安裝過程中可能出現的情況

這里可能出現的情況可以看我在這里的描述。最初在UEFI的CSM中一直選擇UEFI and Legacy OPROM的兼容模式，經常在分區的安裝步驟前后，不是無法掃描分區表（進入分區表時一片空白）導致無法分區，就是分區完成后安裝程序突然崩潰。最后選擇UEFI only后，安裝才正常進行。

回顧一下。

這里有個印象十分深刻，就是當時也嘗試過Legacy OPROM only的模式進行安裝，在分區選項中是沒有EFI引導分區這一選項的，只有“保留的 BIOS 啟動區域”選項（在UEFI only的模式下EFI引導分區和保留的 BIOS 啟動區域都有），分區完成后也正常，但在最后安裝復制文件時報錯，原因應該BIOS安裝往磁盤寫文件時默認磁盤分區表是MBR，而我的磁盤分區表是GPT，會導致讀寫出現問題。

另外，在UEFI and Legacy OPROM的兼容模式下安裝，假如分區步驟未給“保留的 BIOS 啟動區域”分配空間，安裝程序提醒你要給“保留的 BIOS 啟動區域”分配至少1MB，實際上這是不需要的，采用UEFI引導的安裝，給EFI引導分區分配空間就足夠了。

所以，再次要提醒，在UEFI的CSM中一定要選擇UEFI only，避免兼容問題。

One more thing. 有時安裝在分區完成后，安裝程序也可能崩潰，這時你先重啟退出安裝回到Win10下的磁盤管理，可以看到分區的確是完成了，你可以選擇將這些分區右鍵->刪除卷，使其變回未分配狀態。但是，EFI系統分區是無法以此方式刪除的，可以選擇DiskGenius進行。然后嘗試安裝Ubuntu。

2 顯卡驅動安裝

可以先去 這里確定顯卡驅動的版本，我的是GTX1070。

安裝完成后，重啟進入Ubuntu系統，Ctrl+Alt+T打開終端。執行順序如下：

sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update sudo apt-get install nvidia-367 sudo apt-get install mesa-common-dev sudo apt-get install freeglut3-dev sudo reboot

顯卡驅動安裝完成重啟進入Ubuntu系統，屏幕分辨率應該顯示正常。

3 CUDA&cuDNN安裝

3.1 CUDA

先到 官網下載Cuda8.0。

下載完成后，打開終端，先進入CUDA安裝程序所在的目錄（cd命令可以跳轉目錄），然后執行：

sudo sh cuda_8.0.44_linux.run

首先會出現安裝協議，按Space向下翻，輸入accpet接受協議，需要注意的是：

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 367.**?(y)es/(n)o/(q)uit: n

這里一定要選擇no，否則會導致之前的顯卡驅動被覆蓋。

安裝完成后注意看提示，有問題可以參考這里。（我沒遇到）

在終端配置環境變量：

nano ~/.bashrc

在最后增加以下兩行：

export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

Ctrl+X 保存并離開，回到終端，讓環境變量馬上生效：

source ~/.bashrc

3.2?cuDNN

先到官網下載cuDNN v5.1，需要先注冊并做問卷調查，下載中選擇cuDNN v5.1 Library for Linux。

下載完成后，打開終端，先進入cuDNN文件所在的目錄（cd命令可以跳轉目錄），然后執行：

tar xvf cudnn-8.0-linux-x64-v5.1.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*

終端回到根目錄，輸入命令檢查顯卡配置是否正常：

nvidia-smi

4 Tensorflow源碼安裝

4.1 Bazel安裝配置

由于Tensorflow采取源碼安裝的方式，所以需要Bazel進行編譯，官方教程可以看這里。執行順序如下：

sudo add-apt-repository ppa:webupd8team/java sudo apt-get update sudo apt-get install oracle-java8-installer echo "deb [arch=amd64] http://storage.googleapis.com/bazel-apt stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.list curl https://bazel.io/bazel-release.pub.gpg | sudo apt-key add - sudo apt-get update && sudo apt-get install bazel

在“curl https://bazel.io/bazel-release.pub.gpg | sudo apt-key add -”步驟中，可能會由于網絡原因下載較慢，可以直接用瀏覽器打開“https://bazel.io/bazel-release.pub.gpg”進行下載，隨后進入該文件目錄執行“sudo apt-key add bazel-release.pub.gpg”。

4.2 Tensorflow源碼配置及編譯

在python2.7下，先要安裝環境依賴包：

sudo apt-get install python-numpy swig python-dev python-wheel python-pip git

從github上克隆Tensorflow源碼到本地：

git clone https://github.com/tensorflow/tensorflow

切換到最新的r0.11版本（需要先進入保存Tensorflow源碼的目錄）：

git checkout r0.11

開始配置（同樣需要先進入保存Tensorflow源碼的目錄）：

./configure Please specify the location of python. [Default is /usr/bin/python]: Do you wish to build TensorFlow with Google Cloud Platform support? [y/N] N No Google Cloud Platform support will be enabled for TensorFlow Do you wish to build TensorFlow with Hadoop File System support? [y/N] N No Hadoop File System support will be enabled for TensorFlow Found possible Python library paths:/usr/local/lib/python2.7/dist-packages/usr/lib/python2.7/dist-packages Please input the desired Python library path to use. Default is [/usr/local/lib/python2.7/dist-packages]/usr/local/lib/python2.7/dist-packages Do you wish to build TensorFlow with GPU support? [y/N] y GPU support will be enabled for TensorFlow Please specify which gcc should be used by nvcc as the host compiler. [Default is /usr/bin/gcc]: Please specify the Cuda SDK version you want to use, e.g. 7.0. [Leave empty to use system default]: 8.0 Please specify the location where CUDA 8.0 toolkit is installed. Refer to README.md for more details. [Default is /usr/local/cuda]: Please specify the Cudnn version you want to use. [Leave empty to use system default]: 5 Please specify the location where cuDNN 5 library is installed. Refer to README.md for more details. [Default is /usr/local/cuda]: Please specify a list of comma-separated Cuda compute capabilities you want to build with. You can find the compute capability of your device at: https://developer.nvidia.com/cuda-gpus. Please note that each additional compute capability significantly increases your build time and binary size. [Default is: "3.5,5.2"]: 6.1

注意：最后的“6.1”計算能力是根據自身顯卡決定的，可以到這里查看。

開始配置后，首先會自動下載一些環境依賴的包，然后開始配置。

另外，在配置這個步驟，很多教程都說“一定要顯示成功，不能出現error”。我的機器在Tensorflow配置時一些環境依賴的包無法下載，導致后面Bazel編譯出現問題，所以我決定使用別人編譯好的whl安裝Tensorflow。這里有人可能會有疑惑，解釋一下這個Bazel編譯Tensorflow源碼的意義，編譯源碼成功后，是會生成一個“tensorflow-0.11.0rc0-py2-none-any.whl”的文件，然后通過“sudo pip install tensorflow-0.11.0rc0-py2-none-any.whl”安裝才算完成。

這里有人可能又會問，為什么要這么麻煩編譯源碼生成一個whl去安裝呢？的確，在Tensorflow官方安裝教程里的Pip Installation方式，下載支持GPU的whl然后通過pip安裝就行了，步驟如下：

# Ubuntu/Linux 64-bit sudo apt-get install python-pip python-dev

# Ubuntu/Linux 64-bit, GPU enabled, Python 2.7 # <strong>Requires CUDA toolkit 7.5 and CuDNN v5. For other versions, see "Install from sources" below.</strong> export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.11.0rc0-cp27-none-linux_x86_64.whl

# Python 2 sudo pip install --upgrade $TF_BINARY_URL

可以看到，官方解釋說，這個whl支持的CUDA是7.5版本，而當前CUDA最新版本是8.0才支持10系GPU（也有說法CUDA 7.5也可以支持10系GPU不過需要調整，這個大家自行搜索），因此，通過Bazel編譯Tensorflow源碼生成的whl才可以在安裝后支持10系GPU。

那么回過頭來，別人編譯好的whl安裝Tensorflow，在哪里可以找到呢？可以看這里。在這里要感謝這位博主的分享！

如果你配置成功選擇自行編譯并安裝，可以接下去看4.3；如果想選擇利用別人編譯好的whl安裝Tensorflow，可以跳過4.3從4.4開始。

4.3?編譯Tensorflow源碼并安裝

Tensorflow配置完成后，開始編譯源碼并安裝（注意文件的保存目錄）：

bazel build -c opt --config=cuda //tensorflow/tools/pip_package:build_pip_package bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg sudo pip install /tmp/tensorflow_pkg/tensorflow-0.11.0rc0-py2-none-any.whl

至此，整個Tensorflow環境搭建就已經完成，可以跑一下Tensorflow官方的測試代碼。

4.4 使用編譯好的whl安裝Tensorflow

下載whl好后，因為該whl的編譯是在Ubuntu16.04下進行，所以先要將Ubuntu系統升級，這里升級是必須的，如果直接安裝該whl，會報關于“GLib”的錯誤，這是由于編譯環境造成的。Ubuntu14.04系統升級至Ubuntu16.04命令如下：

sudo update-manager -d

一般來說，該命令需要執行兩次，因為第一次執行，系統會更新當前14.04版本內的軟件，然后重啟后仍然是14.04版本，這時再次執行該命令，就會進行Ubuntu16.04升級。

系統升級完成后，終端執行安裝（先進入該whl的保存目錄）：

sudo pip install tensorflow-0.11.0rc0-py2-none-any.whl

至此，整個Tensorflow環境搭建就已經完成，可以跑一下Tensorflow官方的測試代碼。

4.5 在Pycharm中使用Tensorflow

由于個人習慣在Pycharm中寫Python代碼，下面說說Tensorflow在Pycharm的配置，終端執行：

sudo cp /usr/local/cuda-8.0/lib64/libcudart.so.8.0 /usr/local/lib/libcudart.so.8.0 && sudo ldconfig sudo cp /usr/local/cuda-8.0/lib64/libcublas.so.8.0 /usr/local/lib/libcublas.so.8.0 && sudo ldconfig sudo cp /usr/local/cuda-8.0/lib64/libcurand.so.8.0 /usr/local/lib/libcurand.so.8.0 && sudo ldconfig sudo cp /usr/local/cuda-8.0/lib64/libcufft.so.8.0 /usr/local/lib/libcufft.so.8.0 && sudo ldconfig sudo cp /usr/local/cuda-8.0/lib64/libcudnn.so.5 /usr/local/lib/libcudnn.so.5 && sudo ldconfig

然后以運行/tensorflow/models/image/mnist/convolutional.py為例，顯示下圖說明Tensorflow以GPU的方式運行代碼：

參考教程：

http://jingyan.baidu.com/article/e3c78d6460e6893c4c85f5b1.html

http://www.tensordata.cn/t/ubuntu16-0-4-tensorflow0-11/63

?

總結

以上是生活随笔為你收集整理的Win10下双系统Ubuntu14.04+GTX1070+CUDAcuDNN+Tensorflow环境搭建的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。