这两天在服务器上装tensorflow，真是让人头大。
说一下背景，实验室是公用的centos服务器，管理员给了我一个账号，当然是没有root权限的，到时候数据软件啥的，如无必要，都要装到自己的目录下。在这种服务器上装软件，好处是人家管理员把该装的一些基本的东西都装好了，省去了很多步骤。当然，坏处就是，像我这种对linux不熟悉的，敲每个指令都战战兢兢，生怕一不小心就搞了某个公用的变量、配置、驱动、依赖之类的（实际上linux权限管理是比较方便的，一般不需要担心这个）。整个过程甚是曲折。
利用我的mac的终端登录服务器，用ssh [username]@[xx.xx.xx.xx] -p [port]命令，需要输入的是用户名，ip地址和端口编号，之后会让人输入密码，输完密码就登录了。登录后我首先检查了一些基本组件的版本。
python版本2.7，这是系统自带的，直接用就行。
cuda和cudnn，这个实际上决定了tensorflow要装哪个版本的，我一开始的想法是用服务器上安好的cuda和cudnn，于是就用下面两个指令查看了下版本。
cat /usr/local/cuda/version.txt
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
查询得到cuda版本8.0，cudnn版本6.0，在网上查一下对应表，得知对应的tensorflow版本应该是1.3或1.4
知道了这些信息我就准备装tensorflow了，安装方法非常多，官网上就提供了五种，最常用的是pip，anaconda和virtualenv，一开始，我是按照官网上anaconda的步骤进行安装。
首先需要下载安装anaconda，我是在本地电脑上下载了anaconda的安装包（https://www.anaconda.com/download/#macos），然后远程传输到服务器上执行，传输文件很简单，调用下面命令即可：
scp [本地文件完整路径] [username]@[xx.xx.xx.xx]:[服务器端路径]
执行安装文件后，它会有一系列询问与选项，中间会询问安装路径，不用默认路径的话，就输入自己的绝对路径就行，我没有用默认路径，后面还有一个关键的是系统会询问是否加入环境变量（.bashrc），我选择的yes，如果这一步选择no，就必须后面自己配置。安装完后，执行conda -V命令可以显示anaconda版本信息，显示了就说明安装成功了。然后在终端输入python，进入python环境，下面第一行中间有 |Anaconda, Inc.|的字样，说明进入ananconda环境也成功了，如果没成功，执行一下source .bashrc
安装完anaconda后，我是先按照官网上的步骤进行安装的，大致可以概括为安装anaconda--创建conda环境并激活--使用pip安装，具体的linux命令见网址（https://www.tensorflow.org/install/install_linux#InstallingAnaconda）。这个方法的好处是整个安装和将来运行都在你建好的那个conda环境中，不会与其他版本的python和tensorflow冲突，这里需要注意的是，如果服务器没有开vpn，那么官网的下载链接是用不了的，需要替换成清华的镜像（https://mirrors.tuna.tsinghua.edu.cn），在这个网站上选择tensorflow后，按照你的系统环境、python版本、gpu还是cpu、tensorflow版本进行选择后，它会提供给你需要输到终端里的链接网址。
用官网上的方法安装完后，就是无限的坑了，我试了下import tensorflow会报错，就是官网常见问题（https://www.tensorflow.org/install/install_linux#common_installation_problems）的第一个，可能稍有不同，比如我在试不同版本时，就先后出现了：
libcudart.so.8.0: cannot open shared object file: No such file or directory
libcublas.so.8.0: cannot open shared object file: No such file or directory
感觉这两种错误是类似的，都是有关cuda的，都可以参考（https://stackoverflow.com/questions/36159194/tensorflow-libcudart-so-7-5-cannot-open-shared-object-file-no-such-file-or-di）上的解决方案，我也百度了博客上的方案，比如输入以下命令
export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_HOME=/usr/local/cuda
source ~/.bashrc
最终我也不知道解没解决这个问题，应该是解决了，因为系统开始报另外一个错误了😂，那就是：
ImportError: /lib64/libc.so.6: version `GLIBC_2.14' not found
具体报错的是GLIBC哪个版本忘了，反正都是这个形式，继续百度，发现是linux系统的GLIBC这个库没有所需要的新版本，然而，根据网上的说法和一个同学的指导，千万不要贸然去升级GLIBC，因为这是linux一个很底层的库，与centos版本密切相关，随便升级了，很可能shell都会崩溃。那唯一的办法，就是改变tensorflow版本，看能不能找到可以用的。于是我就从1.4版本一级一级地往下试，中间如果要卸掉某个版本的tensorflow，直接用命令pip uninstall tensorflow-gpu即可，当然uninstall后面的名字要正确，可以用pip list查看安装列表。
结果试验过程出现了可以说令我束手无策的局面：
随着版本的降低，glibc的问题消失了，前面说的关于cuda的错误又出现了，而且不是环境变量配置的问题，是低版本的tensorflow，需要使用cuda7.5，而服务器上的cuda8.0，无论怎么配置都是无用的，但是我如果升级tensorflow，cuda的版本是匹配了，glibc又不行了，这是一个无法解决的矛盾。
不得已请教了师兄，师兄建议直接用anaconda装，结果发现，之前都白忙活了，anaconda一键解决！！
没错你没有看错，使用anaconda安装而不用pip，一键解决！
第可能有人会问，之前不是就用的anaconda么？不，其实之前按照官网的步骤，anaconda只起到了搭建虚拟环境的作用，具体安装的命令还是用的pip，而所谓用anaconda安装，是直接调用conda install指令，具体步骤为：
首先搜索可使用conda安装的源：
anaconda search -t conda tensorflow
调用这个命令后，终端会输出所有可用的源
如图所示，从中选择一个源，输入：
anaconda show [name]
name就是上面列出的name那一列的名字，之后系统会给出要安装这个源的tensorflow所用的指令，比如我选择HCC/tensorflow-gpu，带入上面的指令输入，它会告诉我用：
conda install --channel https://conda.anaconda.org/HCC tensorflow-gpu
这个指令安装，需要注意的是如果直接用这个指令，它会安装所能安装的最新版，我一开始不知道这个，就直接调用了它给出的指令，安装了1.9版的tensorflow
按说安1.9版没有问题，因为anaconda安装最智能的一点就体现在这里，安装前它会自动分析你的环境，然后自动给你安装缺失的或版本不对的依赖，比如cuda，我也不知道它到底安在哪，但是应该是不会影响服务器的其他用户，它就把cuda9.0给我装上了，当然还有cudnn7.1。
装完之后，我进入python环境，输入import tensorflow竟然没有报错！！我以为安装成功了，结果继续往下一试就出问题了，运行sess=tf.Session时，检查完gpu，出现了如下报错信息：
cuda driver version is insufficient for cuda runtime version
没错，cuda版本太高，gpu驱动用不了了！这就没办法了，gpu驱动这东西，我是不能动了，动了的话，所有服务器上正在运行的程序要出大乱子，那么办法就是，安装低版本的tensorflow，从而使用低版本的cuda，从而可以适应服务器的驱动。
要安装指定版本的tensorflow，需要把前面安装的指令修改为：
conda install --channel https://conda.anaconda.org/HCC tensorflow-gpu=1.4
加一个版本信息就好了，比如我这里加的是1.4版本，这时，anaconda会自动给分析出来，在已经装了tensorflow1.9的情况下，安装tensorflow1.4，有哪些需要安装，哪些需要卸载，哪些需要更新，哪些需要降级，就是这么方便。
于是终于安装成功了，使用例子程序，成功打印了“hello”