1060显卡在黑Mac下想用只能永远停留在10.13了，而Deepin无疑是体验最好最接近的，不过搭个深度学习的开发环境并不是那么直接。

最近看了网上几篇做深度学习环境配置的，感觉还是太复杂。并且比较不幸，我还无一尝试成功。可能前人也是成功了的，但是在最近（2021/3/6）的系统上并不能测试成功。这边发现，在Ubuntu 20.04上安装完开启闭源驱动后，直接用Anaconda安装GPU版的PyTorch即可完成配置。在比较了deepin系统和Ubuntu的差异后，经验证只需要手工安装一下460的驱动即可（目前deepin中是455，希望deepin官方能够跟进，将460驱动更新至源中）。

写得比较简略，但是应该是最简单的。年纪大了，对写详细的已经没有动力了。

1. 手工安装驱动

过程分为三步：卸载已安装驱动，关闭nouveau，手工安装驱动。

这个网上的文章多有介绍，这里推荐官方的Wiki，显卡 ->Nvidia显卡 -> 手动安装

Nvidia驱动下载链接 （在我这个时间点是下载460的那个）

在其它人的帖子中，这里应该是下载cuda/cudnn的步骤，这里直接抱了Anaconda的大腿略去了。

2. 配置PyTorch开发环境

按自己的情况跳吧

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

# 此处省略，自行配置

# 不想建就跳过，本人需要tensorflow/pytorch切换，区分一下减少一些麻烦
conda create -n torch

# 注意这里的输出，避开cpu版本，注意版本号中的cuda版本
conda search pytorch | grep cuda

# 此时这个conda源中支持cuda的最高还是 1.4.0系列的，cuda101表示cuda 10.1
# pytorch                        1.4.0 cuda100py38h75a84eb_0  pkgs/main           
# pytorch                        1.4.0 cuda101py36h02f0884_0  pkgs/main           
# pytorch                        1.4.0 cuda101py37h02f0884_0  pkgs/main           
# pytorch                        1.4.0 cuda101py38h02f0884_0  pkgs/main           
# pytorch                        1.4.0 cuda92py36h488537e_0  pkgs/main           
# pytorch                        1.4.0 cuda92py37h488537e_0  pkgs/main           
# pytorch                        1.4.0 cuda92py38h488537e_0  pkgs/main 

# 这时会有一个安装列表，进一步检查安装的pytorch是否是带cuda的版本
conda install pytorch=1.4.0 cudatoolkit=10.1

3. 验证

python
>> import torch
>> torch.cuda.is_available()

见到True即为成功。

TensorFlow应该是完全一致的，重复上面的2即可，无需多说。