本文安装之前，参考了如下链接的大体思路： https://blog.csdn.net/rogerchen1983/article/details/90272877 不过中间还是遇到一些小问题，花了点时间都解决掉了。
这次安装Ubuntu的时候，最新版本是20.04，当然要安装最新的了，不过由于要对双系统作出分区安排，还是花了一些时间整理windows下的资料，腾出干净的空间出来。然后就是从官网下载版本，用ultraISO做成U盘启动，进行安装。
分区的事情，按照篇首的文章里那样复杂的分区，还是遇到点麻烦，分了三个以后，就会出现剩余的空间不可用，所以又花了点时间上网查了一下，主要确认了一下，只有主目录必须是作为主分区，swap可以作主分区，也可以作逻辑分区，这样的话，为了不突破一个硬盘只能有4个主分区的限制（多个逻辑分区可以算作一个主分区），只按照常用方式进行了分区，swap和/boot引导区是肯定要分的，主目录作为主分区也是必须的，剩下就只分了个逻辑分区挂载到 /home，这样能够在系统万一挂了的时候，个人资料不会轻易丢失就可以了。 其他没什么坑，整体还算顺利。默认的母豹子背景，还是挺有好感的。不过安装以后，还是有点遗憾，目录下弄了一堆中文目录，以后编程路径上面可得小心着点，不过，为了其他事情上的方便，安装简体中文版还是不错的选择。
装完系统，最优先的就是得把nvidia的显卡驱动给装好，这样才能更好的在算法处理中使用GPU的性能。好在ubuntu在“软件和更新”里面可以自动搜索到NVIDIA的驱动，我们使用一个可以适配的tested版本驱动安装上去就好了。记得重启系统后才能生效。 重启后，生效的确认既可以从篇首文章中那样去设置里“关于”页面查看，也可以在命令行下更直接的验证一下，因为nvidia的驱动有查看命令：nvidia-smi。 我们看到已经有进程在调用GPU了，这驱动就已经生效在工作了。
python的环境，自然就是虚拟环境管理软件anaconda+编程神器pycharm了。
【1】anaconda本身就会安装对应版本的python的解释器，所以并不需要单独再安装python。 不过，anaconda的网站改版的有点勤快，现在下载页面已经变成这个连接了： https://www.anaconda.com/products/individual
下载的有点小慢，如果你能忍，就可以等着，不过我看了一会下载速度就没耐心了，所以去了清华镜像站，快多了。 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
下载完，修改权限为可执行，然后安装上去：
bash Anaconda3-2020.02-Linux-x86_64.sh
当然，我们对GPU最大的使用场景，就在于用tenserflow进行模型训练的时候节省运算时间（当然，搞底层一点的实现和驱动开发的话，还有opencl编程中的使用），所以，创建了虚拟环境以后，愉快的安装吧，这一条下去，conda还会把相关的numpy，甚至跟显卡驱动依赖的cudatoolkit和cudnn也找出来装上。
conda install tensorflow-gpu
【2】pycharm主要在管理代码本身方面，是非常优秀的IDE，而且也能很好的与anaconda的虚拟环境配合起来。community版本是免费的，对于个人使用python作算法方面的事情来说，足够了。不过如果要支持其他的一些前端脚本语言和数据库，还是掏钱买professioal版本吧（个人自己玩儿的话，当然也可以找破解版本，只要你不太在户破解的版本里面，也有可能夹带点私货到你机器上的风险）
建议从官网下载，比较纯净：
https://www.jetbrains.com/pycharm/download/
不过这网站速度有时候也是醉人了，幸好，在ubuntu上，我们用可以一条命令进行安装（不过敲了这条命令，下载的过程依然少不了等待，睡一觉，第二天早上再看吧）：
sudo snap install pycharm-community --classic
在pycharm上创建工程的时候，记得选你创建的conda虚拟环境。
【update】早上已经可以愉快的玩耍了，很快发现了第一个坑，补充在这里，tensorflow-gpu包和keras-gpu都是google开发的，但是他们之间的版本依赖关系，conda下载的时候还是识别不到，还是要注意，默认安装不指定包的版本情况下，keras-gpu的版本过高（2.3.1），无法跟tensorflow匹配，import的时候就开始报错。
以下的版本目前看是匹配： python3.6.0 tensorflow-gpu1.3.0 keras-gpu==2.1.2
