设置环境

机器型号：MR4300（由爱普生制造）
显卡：Geforce GT 730
操作系统：Ubuntu 14.04（图形用户界面）

我主要参考了以下资料来构建机器学习环境：在Ubuntu16.04 + GTX1080 + CUDA8.0上进行构建，在Ubuntu14.04 + GPU + TensorFlow上进行环境搭建。

操作系统的重新安装 (干净安装)

重點是「無論畫面變得全黑，只管等待！」

過去在nouveau問題上的苦難是為了什麼？竟然這麼順利…

请使用Ctrl + Alt + T组合键打开终端。
在安装时未进行防火墙的设置。出于安全考虑，请确保进行正确设置。

在Ubuntu中，可以使用默认的ufw命令。
22号端口用于SSH连接，80号端口用于HTTP连接。

# ufw default DENY
# ufw allow 22/tcp
# ufw allow 80/tcp

首先，采用Python进行。

从Anaconda下载

sudo su -  (これをやらないとインストールはできてもjupyterが起動できなかった)
bash Anaconda(まで打ってTab補間しちゃう)
なんかPATHとか勝手にやってくれてるっぽい　便利!!

过去的困境之一 CUDA

下载CUDA 8.0。
务必选择deb格式的文件。我使用了deb（network）文件。runfile似乎有些可疑。-http://itpro.nikkeibp.co.jp/atcl/column/16/111800262/112900011/

sudo dpkg -i ダウンロードしたファイル名.deb
sudo apt-get update
sudo apt-get install cuda
devファイルの使い方は基本この3行で1セット

过去的挑战之二，cuDNN。

使用CUDA和cuDNN v5.1开发库适用于Ubuntu14.04（Deb）来尝试与上述相同的方法，但在我这里却没有成功…尽管它写着适用于ubuntu14.04，但为什么会有问题呢？
正确的选择应该是适用于Linux的cuDNN v5.1库。

tar xvzf ファイル名.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

ここでPATHを通す　
vi ~/.bashrc
一番下に書き加える
# CUDA Toolkit
export CUDA_ROOT=/usr/local/cuda
export PATH=/usr/local/cuda/bin:${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CPATH=/usr/local/cuda/include:$CPATH

# cuDNN
export LIBRARY_PATH=/usr/local/cuda/lib64:$LIBRARY_PATH

:wq!で保存したら
source /root/.bashrc

确认工作

回到家目录

nvidia-smi
nvcc -V

如果没有错误，那么第一阶段就完成了。

cd /usr/local/cuda-8.0/Samples/1_Utilities/deviceQuery　　←ここのディレクトリ構成は参考URLと少し違った
make
./deviceQuery

当结果显示为”Pass”时，即可进入第二阶段的清除过程。

cd ../../
cd ./5_Simulations/nobody
make
./nbody -benchmark -numbodies=256000 -device=0

没有发生错误，顺利完成工作。