12年七月团队推出SVM三层境界，14年July团队开始做机器学习线下班，也因此写了一系列ML博客。15年，July团队正式创业，开始做七月在线 —— 国内领先的人工智能教育平台，最初涵盖算法、机器学习、深度学习三大重心。16年，七月在线从上半年的5个课程扩展到下半年的30个课程，讲师团队也从上半年的5人扩大至现有的19人（且到18年上半年，讲师团队已超过60人）。
与此同时，机器学习越来越火，且随着计算机计算能力的提高深度学习则更趋火热。公司在做深度学习的课程时，开发/市场同事也会顺带着学习学习，但从始至终都尚未跟着课程上的实验实际动手做过。
直到最近，我们团队人手渐渐齐了之后，发现可以动手做一些实验了。为何呢？学一个东西，懂它理论之后，最重要的是付诸实践，动手实验一把，不然永远只是纸上谈兵。我们三虽然都不讲课（一市场一PHP一打杂），但可以辅助讲师团队带动更多学员一起做实验、一起搞。
激情澎湃，心血来潮。
我们搭建好之后，兴高采烈的在微博上发布（因为两同事此前从未搞过DL，可以想象我们心情之兴奋），发现咱5月DL班里一学员之前也搭过这个配置，说：“装cuda 和驱动花了几天，经常出现黑屏”。也有朋友反馈：“配置这玩意确实很麻烦。”、以及“是真的很麻烦，我自己尝试搭建就一直没成功”。所以，很多朋友求教程。
事实上，GPU搭好后，最后跑下demo就几分钟的事，主要是整个搭建过程 很折腾。不信？你可以先不看本教程，然后自个从头到尾搭一把1070+8.0，没搭过1070+8.0之前就不要来轻易下结论了。真心话。
综上，特此推出本份教程，是网上极少有的1070+8.0教程里面最详尽的一份（部分图都是由骁哲用手机对着电脑拍下），希望让更多人少走弯路。此外，我们更会在深度学习课程上带领更多人跟我们一块做DL实验，一起玩。
我们的配置为
考虑到有些同学Linux操作不是很熟练，以下步骤尽量详细，以让每一个人都能玩一把。另，操作系统为全新安装的Ubuntu14.04英文桌面版，如果已安装其它版本或非全新安装，步骤可相应调整。
http://www.ubuntu.com/download/alternative-downloads（下载地址，选择64位下载）
说明：
UltraISO软碟通：
https://downloads.cdsy.xyz/software/windows_soft/system/disc/20210529/dd162229653160.html（下载地址）
说明：
http://www.geforce.cn/drivers（下载地址）
说明：
（1）选项图解
（2）大家可以根据自己电脑配置进行选择。
https://developer.nvidia.com/cuda-toolkit（下载地址）
说明：
（1）在NVIDIA的CUDA下载页面下，选择要使用的CUDA版本进行下载。
（2）我们这里使用CUDA8.0（页面有提示GTX1070、GTX1080支持8.0版本），学员如果没有使用以上两个版本的GPU，可以下载CUDA7.5。DOWNLOAD（下载）。
（3）下载需要注册。
（4）图解选择
https://developer.nvidia.com/cudnn（下载地址）
说明：
（1）下载需要填写一个调查问卷，就三个选项，建议认真填写，毕竟人家免费给咱使用。
（2）填写完毕点击 I Agree To 前面的小方框，出现如下：
点击下载后出现很多个选择，勾选3个选项：Images、Image Classification、Tensorflow。
tensorflow github上面提到 4 种安装方式，本教程使用 第四种 源码安装
https://github.com/tensorflow/tensorflow（下载地址）
说明：
（1）打开下载页面，往下翻，直到下图这个位置：
（2） 点击Python 2开始下载。
最后，将所有下载文件全部存放至自己的移动硬盘/U盘内，等待安装时候使用。
安装Ubuntu14.04：
https://www.cdsy.xyz/computer/system/linux/230522/cd43878.html
说明：
（1）我们直接安装的英文原版系统，语言也是选择英文的。
（2）上述链接在--第三步：安装类型上选择的是--自定义。我们选择的是--清除整个磁盘并且安装，如果你有Windows系统，还会提示安装Ubuntu14.04与Windows并存模式。这个自行选择，切记！这个地方谨慎选择。
（3）感谢百度经验上传者！
注：安装驱动需要在字符界面下安装
步骤：
（1）进入Ubuntu界面
（2）插入U盘，将内容拷贝至Desktop文件下。熟悉Ubuntu的同学，这步可以按照自己习惯放置在其他文件夹下。
（3）如图搜索Terminal
（4） 将命令框图标拖动到左边栏里或者桌面，以便使用。
（5） 打开命令框，输入 sudo –i
输入开机密码
输入 sudo apt-get install vim
sudo vi /etc/default/grub
（6） 此时系统会进入一个文本页面。在第20行前后会出现GRUB_CMDLINE_LINUX_DEFAULT="quiet"。将光标移动到这个命令最前端，然后键盘点击Esc键，再点击y键两次，点一下p键。就会将本条指令复制一个放到下一行。然后点击i键，就能进行编辑了，在本行命令前面添加#号，然后移动到复制出来的那条，修改quiet为text，按Esc键。Shift+：输入wq。
此时会调回命令框界面，输入sudo update-grub2
输入shutdown –r now重启
（7） 重启后进入字符界面，按照提示输入你的用户名及密码
输入sudo -i
输入密码
输入cd /home/***(这个按Tab键自动匹配)/Desktop
输入./NVIDIA-LIN…(这个按Tab键自动匹配) 或 /bin/bash 文件名
不懂的看图如下
按回车键后出现
…………………………………………………………………………………………………………………………………………………………………………………………………………………………….
说明开始安装
然后选择Accept等等同意字样
期间遇到协议的时候一直按空格键就行
协议完成后提示如图
输入accept
然后一路同意就行
（8） 安装NVIDIA结束后，同样操作安装CUDA8.0，这里需要注意其中一个地方需要填写N才行，不能写Y。如图
其余操作如图
然后回车等待就行
（9） 类似刚刚第（5）步的执行
输入sudo vi /etc/default/grub
此时系统会进入一个文本页面。在第20行前后会出现GRUB_CMDLINE_LINUX_DEFAULT="quiet"。将光标移动到这个命令最前端，然后键盘点击Esc键，再点击y键两次，点一下p键。就会将本条指令复制一个放到下一行。然后点击i键，就能进行编辑了，在本行命令前面删除#号，然后移动到复制出来的那条，命令前面添加#号，按Esc键。Shift+：输入wq。
此时会调回命令框界面，输入sudo update-grub
输入shutdown –r now重启
cd /home/***(自己的用户名)/Desktop/###(这个命令意思是找到刚刚我们用U盘传过来的文件)
tar xvzf cudnn-8.0-linux-x64-v5.1-ga.tgz###（解压这个文件）
sudo cp cuda/include/cudnn.h /usr/local/cuda/include###（复制）
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64###（复制）
sudo chmoda+r/usr/local/cuda/include/cudnn.h/usr/local/cuda/lib64/libcudnn*
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/g3doc/get_started/os_setup.md
我们是在github的Tensorflow官方网页上，根据提示安装，地址如上。
按步骤截图如下
sudo apt-get install python-pip python-dev （这个不完整，完整版如下）
sudo apt-get install python-pip python-dev Python-scipy Pythoy-numpy git
由于本教程使用tensorflow源码编译/安装，所以需要使用 bazel build。
链接：https://www.bazel.io/versions/master/docs/install.html
自动跳转
之后回到之前的Tensorflow安装教程页面：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/g3doc/get_started/os_setup.md
http://www.scipy.org/scipylib/download.html
git clone git://github.com/numpy/numpy.git numpy
还是刚刚的网址
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/g3doc/get_started/os_setup.md
./configure
如果configure 失败 尝试执行一下两个命令
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
export CUDA_HOME=/usr/local/cuda
bazel build -c opt //tensorflow/tools/pip_package:build_pip_package
bazel build -c opt --config=cuda //tensorflow/tools/pip_package:build_pip_package
bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
sudo pip install /home/***（你自己的用户名）/Desktop/tensorflow-0.10.0-cp2-none-any.whl
bazel build -c opt //tensorflow/tools/pip_package:build_pip_package
# To build with GPU support:
bazel build -c opt --config=cuda //tensorflow/tools/pip_package:build_pip_package
mkdir _python_build
cd _python_build
ln -s ../bazel-bin/tensorflow/tools/pip_package/build_pip_package.runfiles/org_tensorflow/* .
ln -s ../tensorflow/tools/pip_package/* .
python setup.py develop
neural-style下载
在这个github网站下载相应代码：https://github.com/anishathalye/neural-style
接下来，下载vgg19：
http://www.vlfeat.org/matconvnet/models/beta16/imagenet-vgg-verydeep-19.mat
然后，把vgg放到neural-style的文件夹根目录下
现在，在命令窗口cd /home/***(你自己的用户名)/Desktop/
git clone https://github.com/anishathalye/neural-style.git
接着 你就能在桌面打开这个文件夹了
把你想修改的照片放入example文件夹内，然后在刚才的窗口命令接着输入：
python neural_style.py --content ./example/***.jpg(此括号内不要复制：***代表你想要使用的图片名称) --styles ./example/ 1-style.jpg(此括号内不要复制：1-style.jpg是梵高星空图片在文件夹内名称，你也可以换其他的风格，改名称就行了) --output ./example/$.jpg(此括号内不要复制：
例如我的输入如下python neural_style.py –content ./example/1-content.jpg --styles ./example/1-style.jpg --output ./example/1-output.jpg
接下来，就是见证奇迹的时刻。
在计算机学到梵高作品星空的风格之后，让计算机对指定图片进行梵高式处理，如下图所示
之前用CPU得一个半小时才能出来结果的，现在用GPU几分钟即可出结果。不枉费劲心思折腾GPU。
湘公网安备 43102202000103号