小白Windows7/10 64Bit安装Theano并实现GPU加速(没有MinGw等，详细步骤)

本教程适合最初学习者，高手勿喷。原文地址：http://blog.csdn.net/niuwei22007/article/details/47684673

Ubuntu15.10 64bit成功安装Theano+Cuda7.5，具体教程看这里

经过一段时间的使用，建议安装python2.7，因为大部分的代码都是基于python2.7开发，如果安装python3.4的话，会有很多的语法问题，就是python3.x和python2.x在语法变量函数名上边进行了大的改动，如果基础不好，还是建议使用低版本。

经过实际测试，win10 64位也可以安装成功。win8没试过，应该也可以

网络上有各种各样的win7 64bit安装theano的方法，我也试过好多，各种各样的问题。因为之前没了解过MinGw等东西，所以安装起来比较费劲，经过不断的尝试，最终我按照以下过程安装成功。

其实过程很简单，首先说一下安装条件：
1. win7 (32和64都可以，下载安装包时一定要选择对应的)
2. vs2010(不一定非要是vs2010，恰好我有vs2010，应该是配置GPU编程时需要用到vs的编译器)
3. Anaconda（转到官方下载，打开之后稍微等一会就会出来下载链接了。之所以选择它是因为它内置了python，以及numpy、scipy两个必要库和一些其他库，比起自己安装要省事。至于版本随便选择了，如果想安装python3.4就下载对应的Anaconda3。本教程使用Anaconda，也就是对应的python2.7版本。安装过程无差别。）

安装过程：
一、卸载之前版本。
把之前单独安装的python等统统卸载掉。学python的时候直接安装了python2.7，先把他卸载掉，因为Anaconda里边包含了python。

二、安装Anaconda。
这个超级简单，安装目录我用的默认的 C:\Anaconda 。中间会有360拦截，全部允许即可。

三、安装MinGw。
其他教程讲在环境变量中添加 path C:\Anaconda\MinGW\bin;C:\Anaconda\MinGW\x86_64-w64-mingw32\lib; ，但是你会发现 C:\Anaconda\ 下面根本没有MinGw这个目录，所以最好的方法就是用命令安装，不需要自己下载什么mingw-steup.exe等。
安装方法：
1. 打开CMD（注意是windows命令提示符，并不是进入到python环境下，否则会提示语法错误，因为conda命令就是在windows下面执行的。）；
2. 输入conda install mingw libpython，然后回车，会出现安装进度，稍等片刻即可安装完毕。此时就有C:\Anaconda\MinGw目录了。

四、配置环境变量。
1. 编辑用户变量中的path变量（如果没有就新建一个，一般会有的），在后边追加C:\Anaconda;C:\Anaconda\Scripts; 不要漏掉分号，此处因为我的Anaconda的安装目录是C:\Anaconda，此处需要根据自己的安装目录填写。
2. 在用户变量中新建变量pythonpath，变量值为C:\Anaconda\Lib\site-packages\theano; ，此处就是指明安装的theano的目录是哪，但是现在咱们还没有安装，所以不着急，先写完再说。
3. 打开cmd，会看到窗口里边有个路径，我的是C:\Users\Locked>，根据自己的路径，找到对应的目录，在该目录下新建一个文本文档.theanorc.txt （注意有两个“.”），编辑它，写入以下内容：
[global]
openmp=False
[blas]
ldflags=
[gcc]
cxxflags=-IC:\Anaconda\MinGW
其中红体字部分是你安装的Anaconda的路径，一定不要弄错。否则找不到MinGw。
4. 最好重启一下电脑。

五、安装Theano。
不需要手动下载zip等压缩包，直接用命令安装最简单。
1. 打开CMD，方法和安装MinGw一样，不要进入python。
2. 输入pip install theano，回车后就是赏心悦目的下载进度条，这个很小，所以安装的比较快。
3. 在cmd中，输入python 进入到python环境下，然后先输入import theano回车，需要等一段时间。
4. 继续输入theano.test()。又会输出好长一段信息，只要没有error就说明安装成功了。我安装时等了一段时间还在输出，我就ctrl+c退出了。（其实我发现，有部分error信息也没有关系，theano的功能也可以正常使用，包括theano.function()，所以如果有同学无论如何配置还是有error信息的话，可以暂时忽略掉，直接跑一段程序试一下，可以去测试一下卷积操作运算代码。）

GPU加速已经配置完成，环境win7 64bit 显卡GetForce GT425M 显卡不是很好，过程也不是很难，但是也是弄了好好几天才可以，原来用的win10，怎么配置都失败，换成win7后，一次性搞定。下面简单提示几点，具体的按照一个教程来就行了。

配置GPU加速之前先按照本教程安装好theano。

1. 要装一个vs2010，或者其他的版本，但是不要是vs2015，具体的版本要看你安装的cuda版本。建议装vs2010，能支持大部分的cuda版本。
2. 装vs2010的时候，可以只选择装C++语言就够。
3. 下载cuda，如果你的Anaconda(python)是64位的，那就下载cuda64bit的；否则下载32bit的。其次，如果你的是笔记本，那就选择notebook，否则选择桌面版。下载地址：https://developer.nvidia.com/cuda-toolkit-archive
4. 至于cuda的版本，有的说要和对应的显卡版本匹配，我的按照列表中的版本是2.1，太老了，现在都出到7.0了，所以我就安装了6.5，实验来看，cuda版本和显卡型号貌似关系不是很大。
5. 安装Cuda6.5，安装的时候，选择“自定义安装”，安装全部功能，还有要安装到默认位置最好，安装很简单，可能需要点时间。
6. 安装完后，打开环境变量应该会多出来2个变量，CUDA_PATH_V6_5和CUDA_PATH.

7. 打开cmd控制台命令行，输入命令nvcc –V回车（注意是大写V）就可以查看版本信息，如果安装正确会显示Cuda的版本号。

   　　E:\Program_Projects\py\cnn01>nvcc -V
   　　nvcc: NVIDIA (R) Cuda compiler driver
   　　Copyright (c) 2005-2014 NVIDIA Corporation
   　　Built on Fri_Jul_25_06:28:08_CDT_2014
   　　Cuda compilation tools, release 6.5, V6.5.13

8. (这一步不是必须得，而且这一步是和cuda的版本有关系的，不是所有的版本都有这个程序，或者即使有也不一定是类似的文件夹。所以直接下一步也可以。可以确定cuda6.5是有的。)运行C:\Program Files\NVIDIACorporation\Installer2\CUDASamples_6.5\bin\win64\Release下边的particles.exe，如果能正常打开，就说明安装没问题了。

9. 配置.theanorc.txt，如下：
   [global]
   openmp=False
   device = gpu
   floatX = float32
   allow_input_downcast=True
   [blas]
   ldflags=
   [gcc]
   cxxflags=-IE:\Anaconda\MinGW
   [nvcc]
   flags = -LE:\Anaconda\libs #此处是Anaconda的路径
   compiler_bindir = E:\VS2010\VC\bin #此处一定要和你安装的VS的路径保持一致，如果是默认安装的，应该是C:\Program Files(x86)\Microsoft Visual Studio 10.0\VC\bin
   fastmath = True
   flags=-arch=sm_30 #我的加入这句话会报错，去掉就好了

10. 然后就测试一下就行了，这样应该能安装成功。
    测试代码：

<code class="hljs php has-numbering">from theano import <span class="hljs-function"><span class="hljs-keyword">function</span>, <span class="hljs-title">config</span>, <span class="hljs-title">shared</span>, <span class="hljs-title">sandbox</span>
<span class="hljs-title">import</span> <span class="hljs-title">theano</span>.<span class="hljs-title">tensor</span> <span class="hljs-title">as</span> <span class="hljs-title">T</span>
<span class="hljs-title">import</span> <span class="hljs-title">numpy</span>
<span class="hljs-title">import</span> <span class="hljs-title">time</span>

<span class="hljs-title">vlen</span> = 10 * 30 * 768  # 10 <span class="hljs-title">x</span> #<span class="hljs-title">cores</span> <span class="hljs-title">x</span> # <span class="hljs-title">threads</span> <span class="hljs-title">per</span> <span class="hljs-title">core</span>
<span class="hljs-title">iters</span> = 1000

<span class="hljs-title">rng</span> = <span class="hljs-title">numpy</span>.<span class="hljs-title">random</span>.<span class="hljs-title">RandomState</span><span class="hljs-params">(<span class="hljs-number">22</span>)</span>
<span class="hljs-title">x</span> = <span class="hljs-title">shared</span><span class="hljs-params">(numpy.asarray<span class="hljs-params">(rng.rand<span class="hljs-params">(vlen)</span>, config.floatX)</span>)</span>
<span class="hljs-title">f</span> = <span class="hljs-title">function</span><span class="hljs-params">([], T.exp<span class="hljs-params">(x)</span>)</span>
<span class="hljs-title">print</span> <span class="hljs-params">(f.maker.fgraph.toposort<span class="hljs-params">()</span>)</span>
<span class="hljs-title">t0</span> = <span class="hljs-title">time</span>.<span class="hljs-title">time</span><span class="hljs-params">()</span>
<span class="hljs-title">for</span> <span class="hljs-title">i</span> <span class="hljs-title">in</span> <span class="hljs-title">range</span><span class="hljs-params">(iters)</span>:
    <span class="hljs-title">r</span> = <span class="hljs-title">f</span><span class="hljs-params">()</span>
<span class="hljs-title">t1</span> = <span class="hljs-title">time</span>.<span class="hljs-title">time</span><span class="hljs-params">()</span>
<span class="hljs-title">print</span> <span class="hljs-params">(<span class="hljs-string">'Looping %d times took'</span> % iters, t1 - t0, <span class="hljs-string">'seconds'</span>)</span>
<span class="hljs-title">print</span> <span class="hljs-params">(<span class="hljs-string">'Result is'</span>, r)</span>
<span class="hljs-title">if</span> <span class="hljs-title">numpy</span>.<span class="hljs-title">any</span><span class="hljs-params">([isinstance<span class="hljs-params">(x.op, T.Elemwise)</span> for x in f.maker.fgraph.toposort<span class="hljs-params">()</span>])</span>:
    <span class="hljs-title">print</span> <span class="hljs-params">(<span class="hljs-string">'Used the cpu'</span>)</span>
<span class="hljs-title">else</span>:
    <span class="hljs-title">print</span> <span class="hljs-params">(<span class="hljs-string">'Used the gpu'</span>)</span></span></code><ul style="display: block;" class="pre-numbering"><li>1</li><li>2</li><li>3</li><li>4</li><li>5</li><li>6</li><li>7</li><li>8</li><li>9</li><li>10</li><li>11</li><li>12</li><li>13</li><li>14</li><li>15</li><li>16</li><li>17</li><li>18</li><li>19</li><li>20</li><li>21</li><li>22</li></ul>

配置GPU参考资料：http://blog.csdn.net/m624197265/article/details/45700619

转载来自：http://blog.csdn.net/niuwei22007/article/details/47684673