TODO-项目

1、安装linux系统，在linux系统跑python、c等项目（可以在一个服务器的集群或一台机器上对模型训练）

2、安装TensorFlow

　　a、此外Python版TensorFlow也可以使用Docker安装

docker pull tensorflow/tensorflow:latest
# 可用的tag包括latest、nightly、version等
# docker镜像文件：https://hub.docker.com/r/tensorflow/tensorflow/tags/
docker run -it -p 8888:8888 tensorflow/tensorflow:latest
# dock下运行jupyter notebook
docker run -it tensorflow/tensorflow bash
# 启用编译了tensorflow的bash环境

　　b、c语言安装

TensorFlow提供C语言下的API用于构建其它语言的API，支持x86-64下的Linux类系统和macOS 10.12.6 Sierra或其更高版本，macOS版不包含GPU加速 [9]  。安装过程如下 [9]  ：
下载TensorFlow预编译的C文件到本地系统路径（通常为/usr/local/lib）并解压缩。
sudo tar -xz libtensorflow.tar.gz -C /usr/local
使用ldconfig编译链接
sudo ldconfig
此外用户也可在其它路径解压文件并手动编译链接。
# Linux
export LIBRARY_PATH=$LIBRARY_PATH:~/mydir/lib
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:~/mydir/lib
# MacOS
export LIBRARY_PATH=$LIBRARY_PATH:~/mydir/lib
export DYLD_LIBRARY_PATH=$DYLD_LIBRARY_PATH:~/mydir/lib
编译C接口时需确保本地的C编译器（例如gcc）能够访问TensorFlow库 [9]  。

3、配置GPU

TensorFlow支持在Linux和Window系统下使用统一计算架构（Compute Unified Device Architecture, CUDA）高于3.5的NVIDIA GPU [10-11]  。配置GPU时要求系统有NVIDIA GPU驱动384.x及以上版本、CUDA Toolkit和CUPTI（CUDA Profiling Tools Interface）9.0版本、cuDNN SDK7.2以上版本。可选配置包括NCCL 2.2用于多GPU支持、TensorRT 4.0用于TensorFlow模型优化 [10]  。
在Linux下配置GPU时，将CUDA Toolkit和CUPTI的路径加入$LD_LIBRARY_PATH环境变量即可。对于CUDA为3.0或其它版本的NVIDIA程序，需要从源文件编译TensorFlow [10]  。对Windows下的GPU配置，需要将CUDA、CUPTI和cuDNN的安装路径加入%PATH%环境变量，在DOS终端有如下操作 [10]  ：
　　C:> SET PATH=C:Program FilesNVIDIA GPU Computing ToolkitCUDAv9.0bin;%PATH%
　　C:> SET PATH=C:Program FilesNVIDIA GPU Computing ToolkitCUDAv9.0extrasCUPTIlibx64;%PATH%
　　C:> SET PATH=C:toolscudabin;%PATH%
Linux系统下使用docker安装的Python版TensorFlow也可配置GPU加速且无需CUDA Toolkit [8]  ：
　　# 确认GPU状态
　　lspci | grep -i nvidia
　　# 导入GPU加速的TensorFlow镜像文件
　　docker pull tensorflow/tensorflow:latest-gpu
　　# 验证安装
　　docker run --runtime=nvidia --rm nvidia/cuda nvidia-smi
　　# 启用bash环境
docker run --runtime=nvidia -it tensorflow/tensorflow:latest-gpu bash

 

在ieee、github或cvpr上找到相关源码，然后自己可以调参：

github：

　　TensorFlow、Torch

cuda

神经网络：

CNN（最简单）、SFN