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：
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
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)\Anaconda\MinGW\x86_64-w64-mingw32\lib;D:\Program Files (x86)\Anaconda\MinGW\bin;
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)\Anaconda\Lib\site-packages\theano;(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：
由于我在之前安装了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。
如果你使用的是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：
这里到这里我们可以重新卸载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.
#创建一个名为python35的环境，指定Python版本是3.5（不用管是3.5.x，conda会为我们自动寻找3.5.x中的最新版本）
conda create --name python34 python=3.5
activate python35 --激活3.5版本，使用这个
#此时次输入
python --version
#可以得到`Python 3.5.5 即系统已经切换到了3.5的环境
#如果想返回默认的python 3.6.2环境，运行
deactivate python35
#删除一个已有的环境
conda remove --name python35 --all
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。
然后需要去下载PTVS插件并安装：
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：
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:\Users\Administrator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)\Anaconda\libs compiler_bindir=C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin [gcc] cxxflags=-ID:\Program Files (x86)\Anaconda\MinGW
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 12.0\VC\bin
如果你的电脑是装vs2012，那么就把10.0改为11.0。这个也就是你安装的vs所在的目录。
步骤六 测试配置文件是否有误
(1)测试方案一
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：
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)\Anaconda\Lib\site-packages\theano;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
import numpy as npimport timeimport 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
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:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0(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，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 Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0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 Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0 [nvcc] fastmath=True flags =-LD:\Program Files (x86)\Anaconda\libs compiler_bindir=C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin [gcc] cxxflags = -ID:\Program Files (x86)\Anaconda\MinGW
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, tensorimport numpyimport 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 Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0 [nvcc] fastmath=True flags =-LD:\Program Files (x86)\Anaconda\libs compiler_bindir=C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin [gcc] cxxflags = -ID:\Program Files (x86)\Anaconda\MinGW
(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)\Anaconda\MinGW
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
(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
、
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：
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 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/ppasudo apt-get updatesudo 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.debsudo apt-get updatesudo 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：
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:$PATH' >> ~/.bashrcecho 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$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-samplescd ~/cuda-samples/NVIDIA*Samplesmake -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.tgzsudo 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:
conda install theano pygpuconda install mkl=2017
sudo gedit ~/.theanorc
[global]floatX=float32device=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, tensorimport numpyimport timevlen = 10 * 30 * 768 # 10 x #cores x # threads per coreiters = 1000rng = 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：
(推荐)