1.前言：
之前对编译安装tf做了很多的工作，遇到了许多问题也解决了（如：sudo init 3准备关掉x server 时黑屏，解决方案是对/etc/default/grub编辑，在显示那一条后面加上nomodeset，然后sudo upgrade-grub，然后重启机器，分辨率下降，sudo init 3，alt+ctrl+f1进入tty登录，sudo service lightdm stop关掉，然后安装即可，安装完重启x server，sudo service lilghtdm restart，并且讲grub修改回原来样子，再重启机器...等等，类似的问题中文论坛没几篇相关文章，浪费了大量时间）。
（在这里讲一下编译安装和预编译安装的区别：编译安装需要Google自家的bazel编译软件及gcc通过下载tf源码，对.configure进行配置，各种配置要求可以按咱们需要配置，配置好后bazel编译，再生成pip安装包，再pip安装；预编译是直接到tf上下载预编译好的pip安装包，pip安装，这样的安装容易出现的问题是可能不会和cuda、cudnn很好的匹配，可能会出现不兼容的问题）
但是在导入tf包时会跳出问题。所以为了节省时间，接下来采用deb安装cuda、pip安装tf的方式安装gpu加速版tf，等以后如果出现配置不兼容的问题再花时间重新编译安装吧。
2.安装tf
安装好ubuntu系统后，在系统设置-软件与更新-驱动，选择nvidia的最新驱动。
2.1.安装anaconda
然后在安装tf之前首先要安装python环境，这里推荐安装anaconda3,4.2.0版，3.5.2的python。
然后bash anaconda的.sh文件安装，记得一定要讲binary路径加入到～/.bashrc文件中（环境变量）。
可以使用python指令看看安装好没有。
这样就是安装好了，后面提示是anaconda提供的python环境。
2.2.安装cuda及cudnn
接下来是cuda和cudnn库的安装和配置。
到这里https://developer.nvidia.com/cuda-downloads下载cuda的deb版安装包。
按照上图官网给出的安装指示进行安装。
到这里https://developer.nvidia.com/cudnn下载cudnn库，需要注册账号，随便注册一个。
我们选择支持8.0cuda 的5.1版本，因为6.0版本算是个测试版，经常会出问题，所以选择了5.1。
如下图所示两个包已经下载好。
接下来安装cudnn，进入cuda所在的安装路径
cd /usr/local
sudo tar -zxvf ~/downloads/cudnn-8.0-linux-x64-v5.1.tgz
(一个小技巧，写到某个目录时如果文件名过长，输入几个提示字母按tab可迅速补全)
完成了cudnn的安装，但是还要配置环境变量里的cuda 的路径。
vim ~/.bashrc
export LD_LIBRARY_PATH="/usr/local/cuda-8.0/lib64:/usr/local/cuda-
8.0/extras/CUPTI/lib64:$LD_LIBRARY_PATH"
export CUDA_HOME="/usr/local/cuda-8.0"
export PATH="/usr/local/cuda-8.0/bin:$PATH"
最后 source ~/.bashrc 使配置生效。
2.3.安装tf
接下来使用预编译的包安装tf。
pip版本可能不是最新所以需要更新。
更新后安装。
可能会遇到这个问题。
使用如下指令解决。
再使用安装命令即可安装成功
如图显示即为导入包成功、安装成功。
3.mnist小实验（tf快速入门）
接下来进行一个tf中的hello world的任务进行入门实验。
mnist是一个cv的数据集，包含几万张28x28像素的手写体数字组成，像素只包含灰度信息。我们
的任务是对这些图片进行分类0~9一共10类。
接下来读取数据集，保存在MNIST_data文件夹中。
这里可能因为在线下载的原因，速度较慢等了一会儿。
通过查看数据集，我们可以知道，训练集有55000个样本，测试集有10000个样本，验证集有5000个样本，每个样本集的标注label为10类，以one-hot方式编码。
创建一个新的interactivesession。
从返回的信息来看，前四条不用担忧（意思是tflib没有编译sse4.2、AVX、AVX2、FMA但是这些我的机器上都有，所以可以用来加速cpu计算），第五条num node相关的知识可以搜索一下，如果大量占用内存的话，推荐不使用num node，如果小规模占用内存，快速访问则使用num node，一开始=-1应该是没有用到，因为这里的tf默认至少使用一个num node，所以令num node=1，如果多cpu架构再考虑这个问题，第六条显示的是本地的gpu信息。
接下来使用一层网络节点，输出直接softmax，placeholder是输入。可以看到，输入是tensor张量，一旦用完就会消失，w、b是variable在模型中是持久化的，w、b初始化为0。softmax是tf.nn的一个函数，tf.nn包含了大量的nn组件，tf.matmul是tf中的矩阵乘法函数。tf最厉害的地方是forward和backward都可以自动实现。所以我们接下来的任务是定义好loss。
我们定义loss为cross-entropy。y_为输出，reduce_sum是求和，reduce_mean是求每个batch的均值。
接下来调用SGD随机梯度下降进行优化。学习率为0.1，反向传播为cross_entropy
下一步使用tf的全局参数初始化器初始化。
接下来我们开始迭代的执行训练操作train_step，并且每次从训练集中抽取100条样本做mini-batch，并feed给placeholder，然后调用train_step训练。
输入代码时注意缩进。现在我们已经完成了训练，一秒不到的时间。
接下来对模型的准确率进行验证。
tf.argmax（y，1）是找y中最大值的那个序号，tf.equal（）是判断预测类别是否正确，correct_prediction是bool类型。
tf.cast是讲预测输出的bool值转化为float32，tf.reduce_mean再求平均，联系计算公式可以想出这么做的原因。
通过对不同学习率的选择，我们能明显感觉到学习率对于结果的影响，目前学习率取0.45效果最好。准确率能达到92%左右。