记录自己ubuntu18.04安装pytorch的心得，anaconda3-5.2已经安装好，这里不再详述。
目录
1.CPU版本Pytorch安装
2.GPU版本Pytorch安装
3.相关网址及总结
1.CPU版本Pytorch安装
CPU版本的pytoch安装比较简单，在Pytorch官网中选择python版本，运行conda或者pip命令即可，如下图所示。注意，为了方便多个Python版本的管理，通常需要在anaconda中创建新的环境空间。
2.GPU版本Pytorch安装GPU版本的pytorch安装比较复杂，在安装pytorch之前，通常需要安装显卡驱动，cuda和cudnn，CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行；cuDNN（CUDA Deep Neural Network library）：是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。CUDA是必须的，cudnn是可选的。
通常需要考虑：
（1）检查显卡型号是否支持GPU运算
检查方法：终端输入
ubuntu-drivers devices得到以下结果：
图中，“model”对应的就是电脑显卡型号，“driver”中后面带有“recommanded”就是推荐的显卡驱动型号。根据显卡型号到英伟达官网查询是否支持GPU。
网站显示如下：
先选择“CUDA GeForce and TITAN Products”，再看具体型号，电脑GPU为GTX 1050，支持GPU 运算。
（2）安装显卡驱动
确定显卡支持GPU 运算后，接下来需要安装显卡驱动，目前尝试过两种安装方法，都成功了。
安装方法一：
系统“软件和更新”，“附加驱动”，选择推荐的驱动安装。
安装方法二：
运行以下命令，安装所有驱动
sudo ubuntu-drivers autoinstall或者只安装推荐的驱动
sudo apt install nvidia-435
判断驱动是否安装成功
方法一：
终端输入命令
sudo nvidia-smi显示以下信息则表示安装成功
方法二：
系统设置查看“图形”信息，变为英伟达的显卡类型即可。
（3）GCC降级
CUDA 9.0仅支持GCC 6.0及以下版本，而Ubuntu 18.04预装GCC版本为7.3，需要手动降级。
安装4.8版本的g++和gcc，命令如下：
sudo apt-get install gcc-4.8
sudo apt-get install g++-4.8装完后进入到/usr/bin目录下，链接到低版本，命令如下：
sudo mv gcc gcc.bak #备份
sudo ln -s gcc-4.8 gcc #重新链接
sudo mv g++ g++.bak
sudo ln -s g++-4.8 g++检查是否修改成功，命令：
gcc --version
g++ --version显示结果如下，则修改成功。
（4）安装cuda
cuda和cudnn、pytorch版本之间要保证对应，能够支持。以下网址中有之前各版本的cuda下载（https://developer.nvidia.com/cuda-toolkit-archive），本文选择的是cuda9.0，根据系统环境选择合适的版本下载，有补丁的连补丁一同下载。关于Ubuntu系统一项，记住一个原则：高版本兼容低版本。即cuda9.0只有14.04和16.04两个选项，但18.04版本兼容这两个版本，所以cuda9.0也可以用于18.04版本的Ubuntu。
下载完成后，在下载路径下执行命令
sudo sh cuda_9.0.176_384.81_linux.run安装过程中，以下选项选择no，其余选择yes或者默认。
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 352.39? ((y)es/(n)o/(q)uit): n
此外，安装结束前，会出现warning：In complete Installation，可以忽略。
***WARNING: Incomplete installation! This installation did not install the CUDA Driver. A driver of version at least 384.00 is required for CUDA 9.0 functionality to work.
To install the driver using this installer, run the following command, replacing <CudaInstaller> with the name of this run file:
sudo <CudaInstaller>.run -silent -driver
Logfile is /tmp/cuda_install_4242.log随后执行以下命令安装补丁：
sudo sh cuda_9.0.176.1_linux.run
sudo sh cuda_9.0.176.2_linux.run
sudo sh cuda_9.0.176.3_linux.run
sudo sh cuda_9.0.176.4_linux.run安装完成后，打开.bashrc文件，在终端输入：
sudo gedit ~/.bashrc在文件的末尾添加下面两行，注意修改成你的安装路径：
export PATH="/usr/local/cuda-9.0/bin:$PATH" #这里添加路径出错的话最好加上双引号把路径括起来，这里已经加上了双引号
export LD_LIBRARY_PATH="/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH"测试cuda是否安装成功：
先重启终端，随后执行命令：
nvcc -V
之后，编译 CUDA Samples，注意改为自己的安装路径和版本：
cd NVIDIA_CUDA-9.0_Samples/0_Simple/vectorAdd
make
./vectorAdd 出现下面的Test PASSED代表CUDA安装成功。
（5）安装cudnn
安装的cudnn版本要与cuda版本对应，注册英伟达账号后，登陆以下网站选择相应的版本下载，这里选择的是cudnn-9.0-linux-x64-v7.6.0.64。
由于下载的是.solitairetheme8格式的压缩文件，在下载路径下执行命令：
cp cudnn-9.0-linux-x64-v7.6.0.64.solitairetheme8 cudnn-9.0-linux-x64-v7.6.0.64.tgz
tar -xvf cudnn-9.0-linux-x64-v7.6.0.64.tgz先转化为tgz格式，再解压。随后进入解压路径，执行：
cd cuda
sudo cp lib64/* /usr/local/cuda/lib64/
sudo cp include/* /usr/local/cuda/include/
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*注：在安装过程中，我将所有的下载文件剪切到主文件夹中，再运行指令，避免频繁切换路径。安装完成后，这些文件可以删除。
（6）安装pytorch
安装pytorch的时候，同样需要考虑与cuda版本对应，以下网址中（https://pytorch.org/get-started/previous-versions/）有历史版本的pytorch，选择合适的版本，并执行conda或者pip命令即可。这里选择的是v1.1.0。
注：安装pytorch时，和CPU版本一样，新建python环境空间。
3.相关网址及总结（1）自己安装过程中及本博客，主要参考以下博客：
Ubuntu18.04下安装深度学习框架Pytorch（GPU加速）
解压.solitairetheme8文件
CUDA 版本，显卡驱动，Ubuntu版本，GCC版本之间的对应关系
GPU，CUDA，cuDNN的理解
（2）安装思路
安装anaconda，显卡是否支持，安装显卡驱动，GCC 降级，安装cuda，安装cudnn，新建python环境，安装pytorch
版本对应：系统版本（高兼容低），cuda版本、cudnn版本、pytorch版本
关于版本对应关系，可以到上文提到的网址中查看。
（3）下载网址
cuda最新版下载：
https://developer.nvidia.com/cuda-downloads
cuda历史版本下载：
https://developer.nvidia.com/cuda-toolkit-archive
pytorch最新版下载：
https://pytorch.org/
pytorch历史版本下载：
https://pytorch.org/get-started/previous-versions/
cudnn最新版下载：
https://developer.nvidia.com/cudnn
cudnn历史版本下载：
https://developer.nvidia.com/rdp/cudnn-archive
anaconda最新版下载：
https://www.anaconda.com/distribution/
anaconda历史版本下载：
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/