在學習DL中，複現經典論文是很好的學習方式，但是論文和代碼通常是數年前釋出的，用最新版本的架構、程式設計語言和編譯器等，無法與之前的論文代碼相容。
安裝舊版本的包及程式設計語言可以通過conda虛拟環境實作，但是安裝不同版本gcc、CUDA、cuDNN實作共存和切換則比較複雜，經曆了多次系統崩潰，重裝系統，踏過許多天坑（浪費超多時間）, 特此總結記錄一下。
文章結構大緻如下：
一、建立虛拟環境
二、安裝不同版本的gcc, g++
三、配置不同CUDA、cuDNN
一、建立虛拟環境
通常可以為一篇文章或項目配置一個單獨的虛拟環境，推薦使用conda。檢視文章的github或者首頁，可以獲得python的版本。
conda
使用該指令建立一個名為Alexnet的虛拟環境，并指定python版本為2.7
二、安裝不同版本的gcc, g++
檢視官方或别人複現的文檔，也可以檢視使用的深度學習架構的版本。以tensorflow為例，明确需要的版本後，前往 GPU支援 檢視tensorflow版本對應的gcc版本。
以安裝tensorflow_gpu-1.14.0為例，則需要gcc-4.8和CUDA10.0, cuDNN7.4（文章後面安裝中均使用該方案）。
gcc --version #檢視目前版本的gcc
可以看見目前gcc版本為7.5.0, 我們希望在降級的同時，也儲存原版本，随時切換，這樣跑新代碼和舊代碼都很友善。
1.安裝低版本的gcc,g++
sudo apt-get install gcc-4.8
sudo apt-get install g++-4.8
2.将低版本的gcc,g++加入到gcc清單中，分别設定優先級(例如将舊的設定為10，新的設定為20)
# set for old version
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.8 10
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.8 10
# set for high version
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 20
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-7 20
3.若需要切換gcc、g++的版本，輸入以下指令後選擇版本，便可以實作不同版本gcc之間的切換。(注意gcc、g++要同時切換，保持版本一緻)， 測試結果如下：
sudo
三、配置合适CUDA、cuDNN（
CUDA=10.0, cuDNN=7.4）
1.檢視本機已經安裝的CUDA、cuDNN
在上一篇文章中已經介紹了安裝最新CUDA和cuDNN，可以輸入指令查詢本機版本。
https://zhuanlan.zhihu.com/p/157339074zhuanlan.zhihu.com
nvcc --version #檢視目前cuda版本，為10.1
cat
通過測試，可以知道已經安裝的CUDA, cuDNN不是需要的版本，故需要安裝低版本。
2.選擇合适driver版本
我們需要安裝低版本的CUDA和cuDNN，它們版本和Nvidia驅動版本是相輔相成的，通過官方文檔可檢視不同CUDA版本對應的驅動。( CUDA版本驅動 )
查詢得到需安裝的驅動版本為: >=410.48
nvidia-smi #檢視目前顯示卡驅動
這裡可以知道，本機目前driver版本為440。細心的朋友可能發現，CUDA版本與已經安裝的版本并不相同，具體原因可見這裡，以 nvcc --version 輸出的結果為準。
這裡有一個大坑!!雖然官方文檔寫明了CUDA10.0對應的driver>=410.48, 但是我之前試過了基于driver450安裝呢CUDA10.0，結果系統崩了，試了很多方法調式都沒有效果，不得不又重裝了一次系統。嘗試搜尋了解了一下原因，對于tesla的驅動而言:
一些高版本的驅動能支援不同版本的CUDA，但是N/A的意思是官方也不知道能不能支援，這tm怎麼玩...我推薦的做法是:
a.如果之前沒有安裝nvidia驅動，則安裝418版本驅動，它支援CUDA10.0到11(經網友測試支援CUDA10.0)
b.如果已經安裝nvidia驅動，可以google關鍵詞，如"nvidia driver xx CUDA10.0 cuDNN7.4"檢視是否有成功安裝的例子(例如我找到了driver440能夠相容CUDA10.0)
c. 若搜不到相關的案例，建立重新安裝合适的driver，避免之後可能出現的系統崩潰
3.安裝低版本的CUDA、cuDNN
首先明确cuDNN是基于CUDA的深度學習GPU加速庫，有了它才能在GPU上完成深度學習的計算。cuDNN采用了簡單的
插入式設計, 隻用把cuDNN檔案複制到CUDA的對應檔案夾裡就可以。
是以實作不同版本的CUDA流程是: 分别安裝不同版本的CUDA，把不同版本的cuDNN下載下傳複制到對應CUDA檔案中，利用
軟連結實作CUDA版本的切換。
以安裝CUDA10.0, cuDNN7.4為例，在官網選擇合适版本的CUDA版本：下載下傳對應的runfile和更新檔
進入下載下傳路徑，安裝runfile
sudo sh cuda_10.0.130_410.48_linux.run
安裝過程需注意兩點：
a. 由于已經安裝了顯示卡驅動，不安裝顯示卡驅動
b. 希望多個版本的CUDA共存，不選擇安裝軟連接配接
c.安裝完成後會提示沒有加入環境導緻不成功，沒有關系，之後會通過軟連結完成配置
d. 安裝CUDA更新檔
sudo sh cuda_10.0.130.1_linux.run
e. 進入官網下載下傳cuDNN(需新增賬號)
切換到下載下傳目錄，解壓cuDNN
tar zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz
，将cuDNN 的對應檔案複制到
對應cuda的庫中（在檔案包目錄下）
sudo cp lib64/* /usr/local/cuda-10.0/lib64/
sudo cp include/cudnn.h /usr/local/cuda-10.0/include/
f. 配置環境變量
打開.bashrc檔案并修改環境變量，若安裝其他版本CUDA時候設定過PATH, 将其注釋掉。
sudo gedit ~/.bashrc
#在bashrc末尾添加(如下圖)
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64
export PATH=$PATH:/usr/local/cuda/bin
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda
#儲存退出後，source一下
source ~/.bashrc
g. 利用軟連結切換CUDA版本
切換到usr/local目錄，檢視目前CUDA連結的版本
cd /usr/local
stat cuda
可以看見目前cuda連結到的版本是10.1，通過以下指令切換軟連結到CUDA10.0(需要切換回10.1采取同樣操作)
sudo rm -rf cuda
sudo ln -s /usr/local/cuda-10.0 /usr/local/cuda
## 切換CUDA版本後，需要重新開機電腦
重新開機後，可以看見CUDA, cuDNN已成功切換為10.0和7.4.2:
不同版本的gcc,g++,CUDA,cuDNN的共存和友好切換終于實作了！！！