安装完Ubuntu16.04就开始捣鼓该如何进行深度学习了。在此之前还需要经历以下过程：
1、更换国内镜像源
安装完Ubuntu 系统后第1件事就是更换为国内源：
我试过了阿里云不行，中科大可！
解决方法：[judygeng] sudo apt-get update 报错 ubuntu xenial InRelease 明文签署文件不可用，结果为‘NOSPLIT’（您的网络需要认证吗？）解决
2、更新软件列表
输入
sudo apt-get update
不更新的话可能下不了软件包
3、安装中文输入法
我最先开始下谷歌拼音，发现好难用不习惯，最后还是下了个搜狗
参考：
Ubuntu16.04系统安装搜狗输入法详细教程
4、安装vim
因为gedit修改文件时会出现warning，用vim打开文件就没事
参考：
(gedit:20620): WARNING **: Set document metadata failed: Setting
但是我发现虽然用gedit编辑文件会出现warning，但它好用啊！可以直接复制粘贴，也能鼠标定位。vim就很难了。所以就算装了vim我还是没用╮(╯_╰)╭
※※※部署深度学习环境
最近在学目标检测，看到了一本书《MXNext深度学习实战》，里面讲得超级详细，从一开始的环境配置到最后的实战都写得清清楚楚。所以以下配置都和书里面的内容基本一致。
其实我本来是打算用tensorflow框架的，但书本说MXNext框架也很好，而且各种操作真的写得很详细，我跟着一步步做就不怕出现太大的问题。
这十多天来我用win10，caffe、tensorflow框架想跑网上目标检测的demo没一个成功的！！环境配置搞得我头都大。各种版本要对应好，从github上download下来的有些还需要自己配置编译，这又要用到vs，cmake。真真真的缺太多东西了，所以最后我只能装个双系统用Ubuntu16.04了。我太难了。
这里是用Pycharm+Docker搭建的深度学习环境。
Docker是一个环境隔离工具，采用这种方式不用安装CUDA，cuDNN，MXNet，只需安装Docker，然后通过Docker这个工具从镜像（image）库中拉取对于版本镜像就可以直接使用了，这样就不需要每次都在本地安装。
接下来就开始配置吧～过程很曲折，结果很美好
1、安装驱动
1、在桌面左侧打开system settings
2、点击software&update
3、点击additional drivers，选择第一个，点击apply changes
4、最后点击restart重启就可以了
2、下载pycharm专业版（2018.3.7）
官网：https://www.jetbrains.com/pycharm/download/other.html
安装方法参考：
Ubuntu下安装Pycharm专业版并激活
专业版需要花费，学生党暂没经费，所以就在网上找了激活码。
亲测好用！！找了好久，只有这个行：
https://www.cnblogs.com/codehome/p/8342430.html
这里显示2021/2/19到期，过期后应该还可以用上面的链接获取新的激活码
3、下载安装Docker（版本18.03.1）
下载地址
选择docker-ce_18.03.1-ce-0~ubuntu_amd64.deb
进入下载docker的文件夹，我的是默认下到了~/Downloads文件夹下
所以输入以下命令：
cd ~/Downloads
再输入：
sudo -dpkg -i docker-ce_18.03.1~ce-0~ubuntu_amd64.deb
验证Docker是否安装成功：
docker --version
出现Docker version 18.03.1-ce, build 9ee9f40 就说明成功了
4、安装NVIDIA-docker
接下来的操作都是以root用户进行，否则可能会出现一些问题。
切换root时我遇到了一个问题，解决方法：
linux使用su切换用户提示 Authentication failure的解决方法
1、先安装curl：
curl是一个命令行工具,通过指定的URL来上传或下载数据,并将数据展示出来。
apt install curl
2、添加gpg key并创建一个仓库：
先输入：
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | apt-key add -
出现OK时再输入：
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
再输入：
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | tee /etc/apt/sources.list.d/nvidia-docker.list
结果如下
最后再输入：
apt-get update
结果如下
3、安装nvidia-docker2
输入：
apt-get install -y nvidia-docker2
这里出现一个问题：
E: Unable to fetch some archives, maybe run apt-get update or try with --fix-missing?
按照提示输入：
apt-get install -y nvidia-docker2 --fix-missing
就完美解决，如图：
安装完成后需要重新导入Docker配置文件：
pkill -SIGHUP dockerd
4、测试
这里启动一个名为nvidia/cuda的镜像，如果机器中没有该镜像，那么run命令在启动前会自动拉取该镜像）,然后在镜像中运行nvidia-smi命令，这条命令是用来查看显卡信息的。
输入：
docker run --runtime=nvidia --rm nvidia/cuda nvidia-smi
这里又报错了：
解决方法参考：
[程序羊的自我修养 ]在执行Dockerfile时出现Get https://registry-1.docker.io/v2/错误的解决方案
我用的是以下解决方法：
修改docker镜像源：
docker默认的源为国外官方源，下载速度较慢，可改为国内源加速，我用了阿里云的
修改或新增配置文件，输入：
gedit /etc/docker/daemon.json
添加如下参数：逗号不要漏了
"registry-mirrors": ["https://aeckruos.mirror.aliyuncs.com"],
再重启一下docker服务：
systemctl daemon-reload
systemctl restart docker
解决了一个又来一个……
报错：
解决办法参考：nvidia-docker 安装报错记录
正确的命令是需要加上cuda的版本号：
docker run --runtime=nvidia --rm nvidia/cuda:8.0-devel nvidia-smi
在这个过程中因为有一些源不太行，下到最后一点总是报错报错报错，试了好几个源，最后只有改成阿里云才行，阿里云强！！！
搞定这个bug用了我好几个小时。终于可以了，既气又喜！
如果可以成功看到如下图所示的显卡信息就可以在镜像中使用GPU了。
5、修改配置文件
为了免得每次运行docker镜像时都要加上–runtime=nvidia这个参数，可以在配置文件中配置这个参数。
打开配置文件
gedit /etc/docker/daemon.json
添加
"default-runtime":"nvidia",
如下图所示：
保存文件，重启一下docker服务：
service docker restart
最后就可以使用以下命令在镜像中看到显卡驱动信息了：
docker run --rm nvidia/cuda:8.0-devel nvidia-smi
10、拉取MXNet镜像
接下来在镜像库中拉取MXNet镜像，Docker官方仓库提供了多种多样的MXNet镜像：
https://hub.docker.com/r/mxnet/
这里选择python api对应的mxnet/python。
在docker中可以通过docker pull命令来拉取镜像，镜像名的命名规则一般是”仓库名：标签“，比如”mxnet/python:gpu“，这里是按照《MXNet深度学习实战》这本书采用的是MXNet1.3.1、CUDA8.0和Python3.x，可以通过以下命令拉取镜像名为mxnet/python:1.3.1_gpu_cu80_py3的镜像：
这里也需要切换到root操作，开始时没有用root就报错了。
docker pull mxnet/python:1.3.1_gpu_cu80_py3
拉取镜像一般需要几分钟时间，如下图拉取成功。
接下来通过docker的run命令进入指定镜像启动容器并开始一些简单的操作。
进入指定镜像：
docker run --rm -it mxnet/python:1.3.1_gpu_cu80_py3 bash
其中，”–rm“参数表示退出容器后自动删除该容器，”-it“参数表示指定镜像名称。
如果成功启动了容器，则命令行的前缀如下所示：
[email protected]:/#
符号@后面的字符串表示启动的容器的ID。
接下来的所有操作都会在这个容器环境中，不会影响机器环境。
然后通过输入
python3
进入python环境，在该镜像中默认使用python3.5.2
接着输入
import mxnet as mx
没有报错就可以正常使用mxnet了。
接下来可以执行一些简单的操作：
a=mx.nd.array([1,2,3]).as_in_context(mx.gpu(0))
b=mx.nd.array([4,5,6]).as_in_context(mx.gpu(0))
print(a+b)
以上操作如下图所示：
太兴奋啦！！！！搞了一天终于把环境搭建好了，接下来就可以好好跑模型了～
在某个环节出错了不要慌，网上有很多解决方法，一个不行试多几个，总有一个是可以的，不要放弃啊，想想成功后的欣喜，这一切都是值得的。