工欲善其事必先利其器，硬件组装完毕，安装好操作系统后，接起来就是深度学习软件环境搭建部份了。其中就涉及到显卡驱动和CUDA、CUDNN的安装，这三块是基础，建议直接登陆Nvidia官网跟着官方文档一步步安装。
一、显卡驱动安装
活进入系统桌面后，会发现默认的分辨率只有1024x768，因为系统默认使用了开源显卡驱动，需要手动更新成N卡最新驱动。
第一步：打开设置，进入软件更新设置(Software&Updates)。
第二步：选择附加驱动，等待刷新。
第三步：选择所列出来的可以析的选项，选择应用改变即可
第四步：在终端中输入nvvidia-smi,可以查询显卡驱动状态。
二、CUDA与CUDNN安装
登陆官网下载CUDA安装包，在下载时找相应的官方安装文档仔细阅读，尽可能按照它的步骤一步步走。同时再找几篇好的博客文章作为参考，对常见的问题要知道如何解决，做到胸有成竹。
第一步：检查自己的电脑环境是否具备安装CUDA的条件。
第二步：验证自己的Linux版本是否支持CUDA。
第三步：验证系统是否安装了GCC。
第四步：通过package manager安装。
第五步：重启电脑，检查是否安装成功。
第六步：尝试编译CUDA提供的samples。
第七步：根据官网教程安装CUDNN。
三、Docker安装
深度学习涉及到各个领域的研究，相关的框架不断更新和迭代。如果在同一部主机上安装全部的框架，有可能会出现管理问题及各种包冲突问题，也不利于工作站资源的充分利用。而Docker是一个开源的应用容器引擎，可以方便地打包应用以及依赖包到一个轻量级、可移植的容器中。使用Docker，可以按自己研究的需要，配置不同的Docker镜像。Docker的安装相对简单，这里就不展开详细说明，网上也有许多现成的文章可供参考，建议大家登陆官网查找相应的安装文档即可成功安装。
四、深度学习镜像选择
在实际的研究和开发中，可以根据需求下载不同的镜像。下面列出常用的镜像名称和用途
五、成果演示
最后，让我们来看看经过以上各个环节后，如何为深度学习研究提供简单易用的开发环境：
打开终端，连到服务器，运行以下命令启动容器(根据实际情况，参数不同)：
打开浏览器，访问以下地址，能够正常显示，一切正常。