第一节，windows和ubuntu下深度学习theano环境搭建

先讲解windows下深度学习环境的搭建

步骤一  安装Anaconda

Anaconda是一个用于科学计算的python发行版，支持linux,mac,windows系统，提供了包管理和环境管理的功能，Anaconda是一个打包的集合，里面装好了conda，某个版本的python，众多的packages等，科学计算工具等

下载中科大镜像：http://mirrors.ustc.edu.cn/

 从archive路径下载Anaconda3-4.2.0-Windows-x86_64.exe

我的安装路径为 D:Program Files (x86)Anaconda，注意这里我选择的是3-4.2.0版本。

步骤二  安装minGw,libpython

进入Anaconda Prompt命令窗口，输入命令

conda install mingw libpython

中间会要你选择Proceed([y]/n)? 输入y

此处安装如果比较慢或者有问题可以参考：手把手教你搭建深度学习平台——避坑安装theano+CUDA  https://www.cnblogs.com/hdu-zsk/p/5950924.html

配置环境变量  计算机->属性->高级系统设置->环境变量

编辑系统变量‘path’，追加D:Program Files (x86)AnacondaMinGWx86_64-w64-mingw32lib;D:Program Files (x86)AnacondaMinGWin;

步骤三 安装theano

进入Anaconda Prompt命令窗口，输入命令：

conda install theano pygpu

如果安装失败，我们先卸载,然后在尝试重新安装

conda uninstall theano

conda  install theano

新建环境变量‘PYTHONPATH’：添加值D:Program Files (x86)AnacondaLibsite-packages heano;(这个路径添加了运行spyder可能出错(打不开)，亲测)

如果你的电脑没有GPU，安装到这里就可以了，下面的步骤不用安装。

步骤四 PTVS安装以及VS环境变量设置

安装完成之后，我们需要为VS安装PTVS。适用于Visual Studio的Python工具（PTVS）是Visual Studio的开源插件，支持使用Python语言进行编程。

具体安装我们可以参考：在 Windows 上的 Visual Studio 中安装 Python 支持

由于我在之前安装的Anconda，自带的是python3.5.2，而且我安装的visual studio2015，所以可以直接安装Python解释器。

visual studio2013,这里就有个问题(vs2015的可以跳过)：

如果你安装的是python3.6，由于vs2013不支持python3.6。因此,你需要重新安装python版本，这里可以选择安装python3.5。如果你是vs2015之后的版本，你可以跳过这里。

我们可以参考文章：如何将Anaconda更新到想要的python版本

对于vs2013，我们可以卸载Anaconda，重新安装一个带有python3.5的版本（比如Anaconda3-4.0.0，我建议重装）。或者使用conda命令在线更新。重新安装比较简单，我就介绍一下使用conda命令更新。

打开Anaconda Prompt，然后用conda命令更新到python3.5.

等待python3.5安装成功。这里我需要重新执行步骤2 安装minGw,libpython，和步骤三安装theano。

Visual Studio 2013 PTVS 2.2

如果你是VS2015或者以后的版本，具体安装以及VS环境变量的配置比较简单你可以参考：在 Windows 上的 Visual Studio 中安装 Python 支持

然后需要手标识现有环境，打开vs2013.新建一个python项目，并对该项目如下操作：

然后选择python 3.5.

步骤五 配置路径文件

找到路径C:Users你的用户名，在下面创建文件.theanorc.txt

此处我在C:UsersAdministrator路径下创建了.theanorc.txt文件

编辑文件输入内容

[global]

openmp=False

[blas]
Idflags=

[nvcc]  
fastmath=True  
flags =-LD:Program Files (x86)Anacondalibs  
compiler_bindir=C:Program Files (x86)Microsoft Visual Studio 12.0VCin  

[gcc]
cxxflags=-ID:Program Files (x86)AnacondaMinGW

注意标红的路径是根据你自己的MinGW来设置的，不需要和我的一样，上面的：

compiler_bindir=C:Program Files (x86)Microsoft Visual Studio 12.0VCin  

步骤六 测试配置文件是否有误

(1)测试方案一

进入python的shell脚本，输入内容：

>>> import theano

>>> theano.test()

 

查看运行结果是否正确。如果出现错误，请查看是否是以下几种错误：

出现这种错误 ，或者我们在命令窗口执行spyder也出现如下问题：

针对configparse问题，我们可以参考文章：

python安装配置Theano ImportError:cannot import name 'configparser'

我们清除安装theano时的路径配置，即：新建环境变量‘PYTHONPATH’：添加值D:Program Files (x86)AnacondaLibsite-packages heano;然后重新尝试运行

如果import theano出现pygpu相关的错误，可以尝试运行(如果你已经安装了CUDU可能会出现这种问题)：

conda install pygpu

打开spyder进行测试，如果还有spyder闪退的问题，可以尝试重新安装：

conda uninstall spyder        #先卸载
conda install spyder          #在安装 

如果还是不行，你可以到网上搜索其他解决方案，或者重新换个版本的Anaconda安装。

(2)测试方案二

我们也可以编辑如下代码测试

import numpy as np
import time
import theano
A = np.random.rand(1000,10000).astype(theano.config.floatX)
B = np.random.rand(10000,1000).astype(theano.config.floatX)
np_start = time.time()
AB = A.dot(B)
np_end = time.time()
X,Y = theano.tensor.matrices('XY')
mf = theano.function([X,Y],X.dot(Y))
t_start = time.time()
tAB = mf(A,B)
t_end = time.time()
print("NP time: %f[s], theano time: %f[s] (times should be close when run on CPU!)" %(
                                            np_end-np_start, t_end-t_start))
print ("Result difference: %f" % (np.abs(AB-tAB).max(), ))

测试结果如下：

如果上面的np time 和theano time 差不多，那就代表你上面的配置没有问题了，这个有的时候电脑还有其他的任务，也有可能导致运行的时间不一致。

步骤七 安装cuda

关于theano以及cuda的安装参考教程
深度学习（二）theano环境搭建
windows下theano开发环境搭建（实现了GPU加速）

先检查自己的显卡支持什么版本的CUDA

(1)首先打开控制面板，在控制面板进行搜索。

(2)然后，双击NVIDIA控制面板，打开如下的控制面板，点击帮助

点击系统信息，我们会看到

(3)选择组件，然后会看到红色框的内容，箭头所指的CUDA版本，就是你电脑支持的CUDA版本。

然后我们去官网下载我们显卡支持的CUDA版本

 程序下载完后后，双击安装：

到这一步，问题出现了，告诉我说图形驱动与显卡不兼容，如果继续安装，即使安装成功了，也不能使用cuda。因此我去下载一个比较新的CUDA,我下载了cuda_8.0.61_windows.exe(注意下面我使用的是cuda9.0的截图，但是事实证明在我的电脑安装9.0后，gpu运行不了，这里你最好安装cuda8.0，步骤同下)。

选择自定义安装，然后把所有包的都勾选上，省的后面出现什么错误。这一步有可能会遇到驱动冲突，导致某些包安装失败

如果某些包安装失败，后面使用theano的时候，会跳出错误。如果图形驱动安装失败，运行theano的时候就出现错误，提示为cuda版本与驱动版本不一致。因此如果你安装cuda的过程中，有出现安装失败的，那么请你接着往下看。安装失败一般是驱动冲突的问题，这个时候我的方法是用驱动精灵卸载掉显卡驱动，然后在进行安装。

 安装完后测试一下是否安装正确。在命令窗口输入：

nvcc -V

回车查看是否有版本信息。若出现版本信息，则证明nvcc安装成功，如下图所示：

接着我们运行一个cuda自带的测试例子。

由于我的电脑安装了VS2015(这个自己下载安装)，所以在这里打开Samples_vs2015.sln项目，这个例子目录为：C:ProgramDataNVIDIA CorporationCUDA Samplesv9.0(在安装完我们勾选launch samples会自动打开这个文件夹) 。编译运行得到如下结果，表示安装成功：

安装完了cuda，你还需要cuDNN：

cuDNN下载地址https://developer.nvidia.com/rdp/cudnn-download，cuda8.0对应的版本是cudnn-8.0-windows7-x64-v6.0.zip

我们需要把下面三个文件中对应的文件拷贝到C:Program FilesNVIDIA GPU Computing ToolkitCUDAv8.0路径对应的文件下。

然后我们需要重新配置.theanorc.txt文件

[blas]   
ldflags=  
      
[global]  
device = gpu  
floatX = float32  
   
[cuda]
root = C:Program FilesNVIDIA GPU Computing ToolkitCUDAv9.0   
      
[nvcc]  
fastmath=True  
flags =-LD:Program Files (x86)Anacondalibs  
compiler_bindir=C:Program Files (x86)Microsoft Visual Studio 12.0VCin  
      
[gcc]   
cxxflags = -ID:Program Files (x86)AnacondaMinGW 

这样就完成了theano的GPU配置了。

步骤八 完整测试

from theano import function, config, shared, tensor
import numpy
import time

vlen = 10 * 30 * 768  # 10 x #cores x # threads per core
iters = 1000

rng = numpy.random.RandomState(22)
x = shared(numpy.asarray(rng.rand(vlen), config.floatX))
f = function([], tensor.exp(x))
print(f.maker.fgraph.toposort())
t0 = time.time()
for i in range(iters):
    r = f()
t1 = time.time()
print("Looping %d times took %f seconds" % (iters, t1 - t0))
print("Result is %s" % (r,))
if numpy.any([isinstance(x.op, tensor.Elemwise) and
              ('Gpu' not in type(x.op).__name__)
              for x in f.maker.fgraph.toposort()]):
    print('Used the cpu')
else:
    print('Used the gpu')

运行结果如下：

(1)GPU测试

下面是用GPU加速的运行结果：

 如上运行结果可知，用gpu进行计算时间差不多是0.68秒左右。如果想切换成只用gpu的测试的话，我是通过更改文件：.theanorc.txt的内容。那么.theanorc.txt的内容为：

[blas]   
ldflags=

[global]
device = cuda
floatX = float32
optimizer = None 

[cuda]
root = C:Program FilesNVIDIA GPU Computing ToolkitCUDAv9.0

   
[nvcc]  
fastmath=True  
flags =-LD:Program Files (x86)Anacondalibs  
compiler_bindir=C:Program Files (x86)Microsoft Visual Studio 12.0VCin  
      
[gcc]   
cxxflags = -ID:Program Files (x86)AnacondaMinGW

(2)CPU测试。

如果想关闭gpu，进行cpu测试那么就把.theanorc.txt内容改为：

[blas]   
ldflags=  
      
      
[gcc]   
cxxflags = -ID:Program Files (x86)AnacondaMinGW

重启电脑或者重启spyder内核。下面是测试结果图：

测试了结果，只用cpu花了14秒的时间，也就是说对于我的电脑，使用gpu进行加速，这速度提高了近20倍。

(1)如果执行import theano出现

[global]
device = cuda
floatX = float32
optimizer = None 

(2)如果运行出现下面错误：

我们可以配置.thranorc.txt文件，忽略cuDNN

[dnn]
enabled = False

(3)如果出现CVM未定义的错误，按照下面方法移除该文件夹是可以起作用的(亲测)。

 (4)执行出现MKL_THREADING_LAYER=GNU错误

我们使用如下命令：

conda install mkl=2017

如果这些方法都不能解决这些错误，我只能推荐你看一下这篇文章，希望能够对你有帮助

这是一份你们需要的Windows版深度学习软件安装指南 、

步骤九 安装tensorflow

1、cpu环境

如果你使用cpu，那么在命令窗口下运行：

conda install tensorflow

2、gpu环境

如果你使用gpu， 安装TensorFlow指定版本（清华源上有的，更换链接最后的版本名称就行了），那么在命令窗口下运行：

pip install --upgrade https://mirrors.tuna.tsinghua.edu.cn/tensorflow/windows/gpu/tensorflow_gpu-1.3.0rc0-cp35-cp35m-win_amd64.whl

测试
import tensorflow as tf
（1）print(tf.test.gpu_device_name())

或者
（2）print(tf.test.is_gpu_available())

如果（1）输出device:/gpu:0或者（2）输出True，则表明使用的GPU

在linux环境下安装如下

步骤一  安装Anaconda

Anaconda是一个用于科学计算的python发行版，支持linux,mac,windows系统，提供了包管理和环境管理的功能，Anaconda是一个打包的集合，里面装好了conda，某个版本的python，众多的packages等，科学计算工具等

下载中科大镜像：http://mirrors.ustc.edu.cn/

 从archive路径下载Anaconda3-5.0.1-linux-86_64.sh

在home文件夹下创建一个文件夹，命名为Anaconda,把下载好的程序复制到这里，然后右键在终端打开，输入:

bash Anaconda3-5.0.1-Linux-x86_64.sh

然后按下enter键继续安装，一直按enter键，直至:

然后按下yes继续安装，后面选择安装路径，我是安装在当前文件夹下的program文件夹下：

执行到这里说明已经安装成功

步骤二 安装cuda

1.首先确保自己的操作系统是最新的，打开终端运行以下命令

sudo apt-get update  
sudo apt-get upgrade  
sudo apt-get install build-essential  
sudo apt-get autoremove

然后安装git,在终端输入

sudo apt-get install git

2.首先检验自己的电脑是否支持CUDA,然后安装NVIDIA驱动

首先查看显卡型号，在终端输入

lspci | grep -i nvidia

执行结果如下

• 到Nvidia官网查找你显卡对应的最新驱动和系统设置。你可以从此网站上下载并安装驱动，但这样做会升级到更新的驱动，并且卸载的时候会有些麻烦。此外，这么做需要你退出X服务会话，从终端进行安装，这比较麻烦。

• 我们将使用apt-get来安装驱动。到 “Proprietary GPU Drivers” PPA中查看是否有你最新的驱动。注意，最新的驱动一定是最稳定的。你也可以安装网页上推荐的驱动版本。添加”Proprietary GPU Drivers” PPA 资源库。在写这篇文章的时候，最新版本是396.18，然而推荐版本是390.48：

  

•  

在终端输入

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
sudo apt-get install nvidia-390

重新启动系统

sudo shutdown -r now

检查以确保安装了正确版本的NVIDIA驱动

cat /proc/driver/nvidia/version

 也可以重启后输入如下命令

nvidia-smi

如果显示GPU信息，则表明驱动程序安装成功。 也可以通过nvidia-settings查看GPU的信息。

若安装失败，卸载未安装成功的显卡驱动，再重新安装

sudo apt-get remove --purge nvidia-*                   #卸载显卡驱动 

3.CUDA安装

首先去cuda官网下载cuda工具包。
操作系统选择Linux，处理器架构选择x86_64,发布版选择Ubuntu，版本选择16.04，安装类型选择deb(local)。然后下载第一个：

然后切换到cuda工具包所在目录下，执行如下命令（cuda的安装路径全部使用默认路径）：

sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda

等待cuda安装结束。如果安装过程中遇到内存不足的问题，执行如下命令

df -h 

我们会看到根目录/下内存不足，这主要是因为在安装系统的时候我给根目录只分配了10G，

当使用Linux系统的时候，发现根目录(/)的空间不是很充足，而其他目录空间有很大的空闲，我们需要针对现在已有的空间进行调整。

具体也可以参考文章：Linux下调整根目录的空间大小

 为了避免你在安装时候，也出现这种问题，建议安装时给/目录分配30G以上的空间。

 安装结束之后(有一个/usr/local/cuda的目录链接到/usr/local/cuda-8.0，后面配置环境变量时可直接使用/usr/local/cuda目录)，配置环境变量： 可以配置系统级别的环境变量，也可以配置用户级别的环境变量。 

配置系统级别的环境变量，请使用如下命令：

sudo vi /etc/profile

配置用户级别的环境变量，请使用如下命令：

vi ~/.bashrc

打开文件后，在文件的结尾部分添加如下文本行：

 export PATH=/usr/local/cuda/bin:$PATH
 export LD_LIBRARY_PATH=/usr/local/cude/lib64:$LD_LIBRARY_PATH

如果是配置用户级别的环境变量，也可以直接运行如下命令：

echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

检查以确保安装了正确版本的CUDA

nvcc -V

重启系统

sudo shutdown -r now

4.检查CUDA安装(可选)

在CUDA安装目录安装样例。编译它们（需要几分钟）：

/usr/local/cuda/bin/cuda-install-samples-8.0.sh ~/cuda-samples
cd ~/cuda-samples/NVIDIA*Samples
make -j $(($(nproc) + 1))

注意：（-j $(($(nproc) + 1))）命令使用你机器上的核心数并行执行，所以编译会更快

• 运行deviceQuery，确保它能检测到显卡并测试通过

bin/x86_64/linux/release/deviceQuery

5.cuDNN安装

cuDNN是为DNN设计的CPU加速库。它能在多种情况下帮助提升执行速度。为了下载cuDNN库，你需要到Nvidia网站https://developer.nvidia.com/cudnn上进行注册。立即就能够批准。一旦注册批准，下载Linux版本的cuDNN v7。

点开下图中的cuDNN v7.1.2(Mar21.1018) for CUDA 8.0，然后选择第一个下载。

以下命令请在cuDNN文件所在目录执行。

tar -zxvf cudnn-8.0-linux-x64-v7.1.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

以上命令就将cuDNN的头文件、静态库和动态库都放入了cuda目录下。

最后，执行如下命令，以防在编译Tensorflow或者其他开源深度学习框架时找不到动态库。

sudo ldconfig /usr/local/cuda/lib64

注：ldconfig命令的用途是在目录/lib和/usr/lib以及动态库配置文件/etc/ld.so.conf内所列的目录中，搜索出可共享的动态链接库（格式如lib*.so*),进而创建出动态装入程序（ld.so)所需的连接和缓存文件。

6.theano安装

打开终端输入：

conda install theano-gpu

 如果安装有问题，参考官网进行安装:http://www.deeplearning.net/software/theano/install_ubuntu.html#stable-installation

conda install theano pygpu
conda install mkl=2017

7.配置.theanorc.txt文件

sudo gedit ~/.theanorc

[global]
floatX=float32
device=cuda
[cuda]
root=/usr/local/cuda-8.0
[nvcc]
flags=-D_FORCE_INLINES
fastmath=True

8.测试安装

from theano import function, config, shared, tensor
import numpy
import time

vlen = 10 * 30 * 768  # 10 x #cores x # threads per core
iters = 1000

rng = numpy.random.RandomState(22)
x = shared(numpy.asarray(rng.rand(vlen), config.floatX))
f = function([], tensor.exp(x))
print(f.maker.fgraph.toposort())
t0 = time.time()
for i in range(iters):
    r = f()
t1 = time.time()
print("Looping %d times took %f seconds" % (iters, t1 - t0))
print("Result is %s" % (r,))
if numpy.any([isinstance(x.op, tensor.Elemwise) and
              ('Gpu' not in type(x.op).__name__)
              for x in f.maker.fgraph.toposort()]):
    print('Used the cpu')
else:
    print('Used the gpu')

在cpu或者是在gpu上运行可以通过修改.theanorc文件中为device = cpu或者device = cuda来决定。每次修改之后，只有重启spyder内核或者重启电脑才会生效。

GPU下运行如下：

步骤三 安装tensorflow

在终端下运行

conda install tensorflow
conda install tensorflow-gpu

测试
import tensorflow as tf
（1）print(tf.test.gpu_device_name())

或者
（2）print(tf.test.is_gpu_available())

如果（1）输出device:/gpu:0或者（2）输出True，则表明使用的GPU

参考文章：

[1]深度学习环境搭建

[2]Linux安装Anaconda和cuda、cdnn和Tensorflow-gpu

[3]win10下通过Anaconda安装TensorFlow-GPU1.3版本，并配置pycharm运行Mnist手写识别程序(或者使用这个安装)