這篇文章詳細介紹在centOS7.5上搭建基於keras/tensorflow的深度學習環境，該環境可用於實際生產。本人現在非常熟練linux(Ubuntu/centOS/openSUSE)、windows上該環境的搭建 :)
前面三篇博客代碼實現均基於該環境（開發或者測試過）：
[AI開發]Python+Tensorflow打造自己的計算機視覺API服務
運行環境
1) centOS 7.5 ，不要安裝GUI桌面；
2) i7八核，GTX 1080 GPU，16G內存。
程序包
1) Python-3.6.5.tgz (Python安裝包)
2) screen-4.6.0.tar.gz (screen安裝包，忽略系統自帶的)
3) tensorflow_gpu-1.9.0-cp36-cp36m-manylinux1_x86_64.whl (tensorflow安裝包)
4) cuda_9.0.176_384.81_linux.run (cuda安裝包)
5) cudnn-9.0-linux-x64-v7.1.tgz (cudnn解壓包)
6) NVIDIA-Linux-x86_64-384.130.run (nvidia顯卡驅動)
常用鏈接：
https://developer.nvidia.com/cuda-90-download-archive （cuda）
https://developer.nvidia.com/rdp/cudnn-archive （cudnn）
https://www.geforce.cn/drivers/results/132524 （顯卡驅動）
安裝步驟
**安裝過程中，設備需要連外網，有一些組件需要在線安裝**
>第一步 安裝基礎庫
在命令行終端執行下面三個命令：
sudo yum install openssl-devel -y
sudo yum install bzip2-devel
sudo yum install zlib-devel -y
保證上面三個庫安裝成功，如果提示已經安裝，則忽略。
>第二步 安裝python3.6.5
在程序包目錄中執行：tar -zvxf Python-3.6.5.tgz，解壓Python安裝文件；
cd Python-3.6.5進入解壓目錄；
執行mkdir /usr/python3.6 創建目錄；
運行 ./configure --prefix=/usr/python3.6 --enable-shared ，等待；
執行 make 命令，等待；
執行 make install 命令，等待；
執行 ln -s /usr/python3.6/bin/python3 /usr/bin/python3 創建軟連接（如果提示已存在，先刪除）；
執行 python3 --version，查看輸出，如果輸出python對應的版本號為 3.6.5，則安裝成功。
注意：
如果碰到錯誤信息類似這樣 ：error while loading shared libraries: xxxxxxxx: cannot open shared object file: No such file or directory（xxxx為文件名）
那么，進入安裝文件夾的lib目錄下，找到XXXXXXXX，將其拷貝到/usr/local/lib
cp XXXXXX /usr/local/lib
vi /etc/ld.so.conf
在文件末尾新增加一行 /usr/local/lib
然后執行 ldconfig 命令。
再執行 python3 --version 檢查輸出的版本號是否為 3.6.5。
>第三步 配置pip3
執行ln -s /usr/python3.6/bin/pip3 /usr/bin/pip3 創建軟連接（如果提示已存在，先刪除）；
執行 pip3 --version 查看pip3的版本號，如果正確輸出版本號，則表示pip3安裝成功；
cd ~，進入到用戶根目錄，執行mkdir .pip創建.pip目錄，cd到該目錄；
執行 vi pip.conf 創建文件；
在文件中輸入：
[global]
trusted-host=mirrors.aliyun.com
index-url=http://mirrors.aliyun.com/pypi/simple/
保存退出。
>第四步 安裝tensorflow/keras等相關依賴組件
在程序包目錄下
執行 pip3 install tensorflow_gpu-1.9.0-cp36-cp36m-manylinux1_x86_64.whl，安裝tensorflow等相關依賴組件（一些組件需要聯網）；
執行 pip3 install keras ，安裝keras等相關依賴組件（需要聯網）；
執行 pip3 install Pillow，安裝Pillow（需要聯網）；
執行 pip3 install matplotlib，安裝matplotlib（需要聯網）；
>第五步 安裝cuda
在程序包目錄下
===============================安裝cuda前必讀============================
注意：
1）安裝開始，會顯示一大段license，在顯示license到1%的時候，按q結束，不然會一直讓你讀完；
2）除了在“是否安裝graphics driver”的步驟選擇No之外，其余都選Yes；
3）cuda以及sample的安裝路徑都保持默認不變（直接回車即可）。
=====================================================================
執行sh ./cuda_9.0.176_384.81_linux.run ，按照提示完成cuda的安裝；
執行 vi ~/.bash_profile，打開文件；
在文件末尾增加：
export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH
保存退出。
執行 source ~/.bash_profile，使文件生效；
執行 nvcc --version 查看cuda是否安裝成功，如果正常輸出信息，則表示安裝成功。
>第六步 安裝cudnn
在程序包目錄下
執行 tar -zvxf cudnn-9.0-linux-x64-v7.1.tgz ，解壓文件；
cd cuda 進入到解壓目錄；
執行
cp lib64/lib* /usr/local/cuda/lib64/
cp include/cudnn.h /usr/local/cuda/include/
拷貝文件；
執行
cd /usr/local/cuda/lib64/
chmod +r libcudnn.so.7.1.4
ln -sf libcudnn.so.7.1.4 libcudnn.so.7
ln -sf libcudnn.so.7 libcudnn.so
ldconfig
**cudnn是cuda在深度學習中的一個擴展，只需要拷貝.h和lib到cuda的安裝目錄即可**
>第七步 安裝Nvidia顯卡驅動
在程序包目錄下
執行 sh ./NVIDIA-Linux-x86_64-384.130.run，等待安裝結束；
執行 nvidia-smi 查看顯卡信息，如果能正常顯示GPU驅動和其他信息，表明顯卡驅動安裝成功。
>第八步 驗證Python算法環境
在python腳本目錄下
執行 python3 test.py，如果不報錯，並且有模型數據顯示出來，說明算法環境部署成功。