Ubuntu14.04+cuda 7.5+cudnn_v4+tensorflow安装
系统环境：Ubuntu14.04 64位、Windows7 64位 双系统
CUDA 版本： 7.5
总结一下，我的安装建议是：
- 一定要下一份CUDA官方的安装文档，按照它的步骤一步步慢慢来，不可偷懒。CUDA 7.5 官方安装文档下载
- 在安装之前一定要详细检查自己的系统环境、软件是否符合CUDA的安装要求。不要存有侥幸心理，跳过检查步骤。
- 每进行一项操作，都检查一下该项操作是否成功。如果没成功，适时重启电脑或者重启终端，
1、安装Ubuntu系统14.04
安装完毕后不要更新系统。
这条到底是否有用我并不确定。因为最初安装时候总是遇到循环登录的问题，网上的帖子普遍反映是由于更新系统导致，所以我后来的安装都是在未更新系统的情况下进行的。我只能说的是保证不更新系统并不能解决我的问题。
2、检查自己的电脑环境是否具备安装CUDA的条件
a) 检查自己的GPU是否是CUDA-capable
在终端中输入： $ lspci | grep -i nvidia ，会显示自己的NVIDIA GPU版本信息
去CUDA的官网查看自己的GPU版本是否在CUDA的支持列表中
b) 检查自己的Linux版本是否支持 CUDA(Ubuntu 14.04没问题)
c) 检查自己的系统中是否装了gcc
在终端中输入： $gcc -version 可以查看自己的gcc版本信息
d) 检查是否安装了kernel header和 package development
在终端中输入： $uname -r 可以查看自己的kernel版本信息
在终端中输入：$ sudo apt-get install linux-headers-$(uname -r)
可以安装对应kernel版本的kernel header和package development
以上检查我的电脑系统都满足要求，如果没有满足要求的话，可以参考cuda的官方文档，里面有详细的针对每个问题的解决方案。
3、 选择安装方式
CUDA提供两种安装方式：package manager安装和runfile安装
我本来选的是 package manager 安装，这种方法相对简单，但尝试了几次都失败。后来是转换到runfile安装才成功的。因此此处只介绍runfile安装方式。
下载cuda安装包：cuda官网下载，根据系统信息选择对应的版本，runfile安装的话最后一项要选择 runfile文件
4、runfile安装cuda
a) 禁用 nouveau
终端中运行：$ lsmod | grep nouveau，如果有输出则代表nouveau正在加载。
Ubuntu的nouveau禁用方法：
在/etc/modprobe.d中创建文件blacklist-nouveau.conf，在文件中输入一下内容
blacklist nouveau options nouveau modeset=0
打开终端，运行
$ sudo update-initramfs -u
设置完毕可以再次运行 $ lsmod | grep nouveau 检查是否禁用成功，如果运行后没有任何输出，则代表禁用成功。一般重启一下会发现禁用成功。
b) 重启电脑，到达登录界面时，alt+ctrl+f1，进入text mode，登录账户
c) 输入 $ sudo service lightdm stop 关闭图形化界面
d) 切换到cuda安装文件的路径，运行$ sudo sh cuda_7.5.18_linux.run
按照提示一步步操作
遇到提示是否安装openGL ，选择no（如果你的电脑跟我一样是双显，且主显是非NVIDIA的GPU需要选择no，否则可以yes）
其他都选择yes或者默认
安装成功后，会显示installed，否则会显示failed。
e) 输入 $ sudo service lightdm start 重新启动图形化界面。
Alt + ctrl +F7，返回到图形化登录界面，输入密码登录。
如果能够成功登录，则表示不会遇到循环登录的问题，基本说明CUDA的安装成功了。
f) 重启电脑。检查Device Node Verification。
检查路径~/dev下 有无存在名为nvidia*（以nvidia开头）的多个文件(device files)
如果没有的话，可以参考官方文档里的指导步骤，进行添加。
g) 设置环境变量。
终端中输入 $ sudo gedit /etc/profile
在打开的文件末尾，添加以下两行。
export PATH=/usr/local/cuda-7.5/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH
h) 重启电脑，检查上述的环境变量是否设置成功。
终端中输入 : $ env
在输出的环境变量中检查有无上述 g) 中设置的变量，如果有则代表设置成功。
到此为止，CUDA的安装算是告一段落了。为了保险起见，建议进行下述的检查工作，确保真正的安装成功。
5、 安装完毕后的检查工作。
a) 检查 NVIDIA Driver是否安装成功
终端输入 ：$ cat /proc/driver/nvidia/version 会输出NVIDIA Driver的版本号
b) 检查 CUDA Toolkit是否安装成功
终端输入 ： $ nvcc -V 会输出CUDA的版本信息
二，安装tensorflow
尝试了两种安装方法：Pip install 和 Anaconda install:
PIP 是一个python包管理工具，主要是用于安装 PyPI 上的软件包。
利用PIP可以一键安装，自动下载.whl文件并解析然后自动下载下载相关依赖库。但是国内连接上pypi的网站基本没有速度。安装以失败告终。
sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.8.0-cp27-none-linux_x86_64.whl
之后换anaconda进行安装，anaconda集成来很多python计算库，并且集成来Spyder IDE 和 iphthon。
下载anaconda并安装，创建一个conda 环境命名为tensorflow。
conda create -n tensorflow python=2.7
激活tensorflow环境，在此环境下载GPU版本的tensorflow还是得利用Pip。此时又回到了pip安装的困境，一直没速度，报time out错误。
source activate tensorflow
(tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.8.0-cp27-none-linux_x86_64.whl
解决方法：更换pypi源。国内推荐豆瓣源。
新建conf文件
~/.pip/pip.conf
打开编辑
[global]
timeout = 6000
index-url = https://pypi.doubanio.com/simple
[install]
use-mirrors = true
mirrors = https://pypi.doubanio.com/simple
trusted-host = pypi.doubanio.com
然后就可以享受秒速下完的快感了，一路安装完成。
2，调试
在tensorflow环境下进入python，运行“Hello Tensorflow”代码段验证安装完成。
接下来可以跑一个mnist.
python -m tensorflow.models.image.mnist.convolutional
但是马上报错，tensorflow IOError: CRC check failed 0x3c1ba7b1 != 0x53723de0L CRC校验失败。
解决方法：进入convolutional.py所在目录，修改文件权限，
sudo chmod 777 convolutional.py
然后将WORK_DIRECTORY的data修改为 /home/cheers/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/models/image/mnist/data 即可。
3，利用Spyder
大的工程还得利用IDE，在终端输入spyder 进入IDE，发现在spyder下面不能import tensorflow。
解决方法：打开你的anaconda2文件夹，找到envs 打开tensorflow 将sitepack-ages里面的东西都拷到到 anaconda2/lib/python2.7/sitepack-ages。先做好备份。
因为envs环境下才有tensorflow（tensorflow相当于python的一个计算包，类似于numpy），但是没有spyder的启动项。anaconda2/lib/python2.7/sitepack-ages这里有spyder的启动项，但是没有tensorflow，所以需要将两者的sitepack-ages整合到一块。并且拷到一块儿后，就不需要source activate tensorflow进入安全环境，直接进入python就可以运行tensorflow。（）