小白Windows7/10 64Bit安裝Theano並實現GPU加速(沒有MinGw等，詳細步驟)

原文鏈接 http://blog.csdn.net/niuwei22007/article/details/47684673

本教程適合最初學習者，高手勿噴。原文地址：http://blog.csdn.net/niuwei22007/article/details/47684673

Ubuntu15.10 64bit成功安裝Theano+Cuda7.5，具體教程看這裏

經過一段時間的使用，建議安裝python2.7，因爲大部分的代碼都是基於python2.7開發，如果安裝python3.4的話，會有很多的語法問題，就是python3.x和python2.x在語法變量函數名上邊進行了大的改動，如果基礎不好，還是建議使用低版本。

經過實際測試，win10 64位也可以安裝成功。win8沒試過，應該也可以

網絡上有各種各樣的win7 64bit安裝theano的方法，我也試過好多，各種各樣的問題。因爲之前沒了解過MinGw等東西，所以安裝起來比較費勁，經過不斷的嘗試，最終我按照以下過程安裝成功。

其實過程很簡單，首先說一下安裝條件：
1. win7 (32和64都可以，下載安裝包時一定要選擇對應的)
2. vs2010(不一定非要是vs2010，恰好我有vs2010，應該是配置GPU編程時需要用到vs的編譯器)
3. Anaconda（轉到官方下載，打開之後稍微等一會就會出來下載鏈接了。之所以選擇它是因爲它內置了Python，以及numpy、scipy兩個必要庫和一些其他庫，比起自己安裝要省事。至於版本隨便選擇了，如果想安裝python3.4就下載對應的Anaconda3。本教程使用Anaconda，也就是對應的python2.7版本。安裝過程無差別。）

安裝過程：
一、卸載之前版本。
把之前單獨安裝的python等統統卸載掉。學python的時候直接安裝了python2.7，先把他卸載掉，因爲Anaconda裏邊包含了python。

二、安裝Anaconda。
這個超級簡單，安裝目錄我用的默認的 C:\Anaconda 。中間會有360攔截，全部允許即可。

三、安裝MinGw。
其他教程講在環境變量中添加 path C:\Anaconda\MinGW\bin;C:\Anaconda\MinGW\x86_64-w64-mingw32\lib; ，但是你會發現 C:\Anaconda\ 下面根本沒有MinGw這個目錄，所以最好的方法就是用命令安裝，不需要自己下載什麼mingw-steup.exe等。
安裝方法：
1. 打開CMD（注意是windows命令提示符，並不是進入到python環境下，否則會提示語法錯誤，因爲conda命令就是在windows下面執行的。）；
2. 輸入conda install mingw libpython，然後回車，會出現安裝進度，稍等片刻即可安裝完畢。此時就有C:\Anaconda\MinGw目錄了。

四、配置環境變量。
1. 編輯用戶變量中的path變量（如果沒有就新建一個，一般會有的），在後邊追加C:\Anaconda;C:\Anaconda\Scripts; 不要漏掉分號，此處因爲我的Anaconda的安裝目錄是C:\Anaconda，此處需要根據自己的安裝目錄填寫。
2. 在用戶變量中新建變量pythonpath，變量值爲C:\Anaconda\Lib\site-packages\theano; ，此處就是指明安裝的theano的目錄是哪，但是現在咱們還沒有安裝，所以不着急，先寫完再說。
3. 打開cmd，會看到窗口裏邊有個路徑，我的是C:\Users\Locked>，根據自己的路徑，找到對應的目錄，在該目錄下新建一個文本文檔.theanorc.txt （注意有兩個“.”），編輯它，寫入以下內容：
[global]
openmp=False
[blas]
ldflags=
[gcc]
cxxflags=-IC:\Anaconda\MinGW
其中紅體字部分是你安裝的Anaconda的路徑，一定不要弄錯。否則找不到MinGw。
4. 最好重啓一下電腦。

五、安裝Theano。
不需要手動下載zip等壓縮包，直接用命令安裝最簡單。
1. 打開CMD，方法和安裝MinGw一樣，不要進入python。
2. 輸入pip install theano，回車後就是賞心悅目的下載進度條，這個很小，所以安裝的比較快。
3. 在cmd中，輸入python 進入到python環境下，然後先輸入import theano回車，需要等一段時間。
4. 繼續輸入theano.test()。又會輸出好長一段信息，只要沒有error就說明安裝成功了。我安裝時等了一段時間還在輸出，我就ctrl+c退出了。（其實我發現，有部分error信息也沒有關係，theano的功能也可以正常使用，包括theano.function()，所以如果有同學無論如何配置還是有error信息的話，可以暫時忽略掉，直接跑一段程序試一下，可以去測試一下卷積操作運算代碼。）

GPU加速已經配置完成，環境win7 64bit 顯卡GetForce GT425M 顯卡不是很好，過程也不是很難，但是也是弄了好好幾天纔可以，原來用的win10，怎麼配置都失敗，換成win7後，一次性搞定。下面簡單提示幾點，具體的按照一個教程來就行了。

配置GPU加速之前先按照本教程安裝好theano。

1. 要裝一個vs2010，或者其他的版本，但是不要是vs2015，具體的版本要看你安裝的cuda版本。建議裝vs2010，能支持大部分的cuda版本。
2. 裝vs2010的時候，可以只選擇裝C++語言就夠。
3. 下載cuda，如果你的Anaconda(python)是64位的，那就下載cuda64bit的；否則下載32bit的。其次，如果你的是筆記本，那就選擇notebook，否則選擇桌面版。下載地址：https://developer.nvidia.com/cuda-toolkit-archive
4. 至於cuda的版本，有的說要和對應的顯卡版本匹配，我的按照列表中的版本是2.1，太老了，現在都出到7.0了，所以我就安裝了6.5，實驗來看，cuda版本和顯卡型號貌似關係不是很大。
5. 安裝Cuda6.5，安裝的時候，選擇“自定義安裝”，安裝全部功能，還有要安裝到默認位置最好，安裝很簡單，可能需要點時間。
6. 安裝完後，打開環境變量應該會多出來2個變量，CUDA_PATH_V6_5和CUDA_PATH.

7. 打開cmd控制檯命令行，輸入命令nvcc –V回車（注意是大寫V）就可以查看版本信息，如果安裝正確會顯示Cuda的版本號。

   　　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. (這一步不是必須得，而且這一步是和cuda的版本有關係的，不是所有的版本都有這個程序，或者即使有也不一定是類似的文件夾。所以直接下一步也可以。可以確定cuda6.5是有的。)運行C:\Program Files\NVIDIACorporation\Installer2\CUDASamples_6.5\bin\win64\Release下邊的particles.exe，如果能正常打開，就說明安裝沒問題了。

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 #此處是Anaconda的路徑
   compiler_bindir = E:\VS2010\VC\bin #此處一定要和你安裝的VS的路徑保持一致，如果是默認安裝的，應該是C:\Program Files(x86)\Microsoft Visual Studio 10.0\VC\bin
   fastmath = True
   flags=-arch=sm_30 #我的加入這句話會報錯，去掉就好了

10. 然後就測試一下就行了，這樣應該能安裝成功。
    測試代碼：

<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>

配置GPU參考資料：http://blog.csdn.net/m624197265/article/details/45700619