深度學習anaconda+theano使用框架配置

本文主要講解如何在windows平臺配置python深度學習框架，花了3-4天才完全配置好了python+theano，一定得好好地寫一下。

關於python的強大，我就不說了，自己體會吧，我也正在體會中。首先極力推薦使用它anaconda,anaconda內置地包含了numpy等各種各樣科學計算所需要的開源庫，省掉了很多時間去獨自配置這些東西。好吧，廢話不多說了，現在開始。

第一步下載anaconda

在這裏請注意，先看好你的電腦室32的還是64的，請下對應的版本。我的是win7 64位的所以下載的就是

這裏需要說一下，我剛開始下載的是PYTHON3.5的版本，這兩個版本都是不包含mingw和libpython包的，需要自己進行安裝，但是後來悲劇了，3.5版本死活安裝不了libpython，提示libpython與PYTHON3.5有衝突，沒辦法安裝，我查了好長時間，也沒有解決，這點還要靠大家自己去查，看看是什麼情況。所以最後我沒辦法了，就重新下載了PYTHON2.7版本的進行安裝配置，居然成功了。所以這裏極力推薦大家下載2.7版本的，也就是上圖畫紅色圈的那個。

第二部安裝anaconda

這不基本上是無腦操作，下載好anaconda（python2.7）後，進行安裝，安裝過程中會提，將默認添加環境變量欄目點上，省掉一些自己配置的步驟。安裝在哪個盤其實無所謂了，看你個人的情況了，但是請記得你的安裝位置，後邊要配置環境變量。

第三部配置mingw和libpython

安裝完anaconda後打開 anaconda prompt，輸入conda list，會顯示現在的已經安裝好的開源包。

往下拉，會發現沒有mingw包和libpython包，所以需要自己進行配置。沒有這兩個包theano是沒辦法使用的，會報錯。所以先安裝mingw和libpython，點擊開始-cmd，輸入conda install mingw libpython，將會自動安裝mingw和libpython（請注意這裏對於python2.7的是可以正確無誤安裝的，但是對於python3.5會提示libpython與python3.5衝突沒法安裝，所以建議下載anaconda的時候下載PYTHON2.7的）。安裝完後進入下一步。

第四部環境配置

網上查閱的環境配置基本相同，但是裏邊還是有少許問題的，我的配置是直接在環境變量中的系統變量path中加入

D:\Anaconda2;

D:\Anaconda2\Library\bin;
D:\Anaconda2\MinGW\bin;
D:\Anaconda2\MinGW\x86_64-w64-mingw32\lib;
D:\Anaconda2\Scripts;

（注意改成你自己的anaconda所在的位置）

網上還有的教程說要在用戶變量中添加PYTHONPATH變量，剛開始我也是按照網上說的這麼來的，可是發現添加PYTHONPATH變量後spyder打不開了，然後我直接刪除了PYTHONPATH這個用戶變量，可以正常使用spyder了。

然後在cmd的home目錄中新建.theanorc.txt文件，這裏有些人不知道什麼是home文件，我剛開始也不明白，後來知道了就是你點開始-cmd，進入命令行後的當前目錄，我的是進入該目錄後，新建

.theanorc.txt文件，這兩個點都不能少，然後在該文件中鍵入

[global]
openmp=False
[blas]
ldflags=
[gcc]
cxxflags=-ID:\Anaconda3\MinGW

請將紅色的部分改成你自己的安裝目錄。現在這樣的寫法是沒有配置gpu的，配置gpu的後邊會講到。

這些弄完之後，最好重啓下電腦，或者註銷下，我是註銷了。

第五部安裝theano

現在安裝theano的前提條件都已經完成了，可以開始安裝theano，最簡單快捷的方法就是進入cmd，輸入pip install theano，便會開始安裝。

這些都弄完後，沒有錯誤了，就可以試試是否可以用了，在cmd 下進入python，輸入import theano沒有報錯，在輸入theano.test() 出現

後邊有一大堆的信息，至於是什麼，自己以後慢慢理解，現在我也不太清楚。

這樣theano就安裝完畢了，可以寫一個cnn的例子來試下效果了

import theano  
import numpy  
import pylab  
from theano import tensor as T  
from theano.tensor.nnet import conv  
from PIL import Image  
  
# 生成一個隨機數生成類rng，其seed爲23455（隨機數種子）。    
rng = numpy.random.RandomState(23455)  
  
# 實例化一個4D的輸入tensor，是一個象徵性的輸入，相當於形參，需要調用時傳入一個實參    
input = T.tensor4(name='input')  
  
# 權值數組的shape（可以理解爲權值的數組大小），用來確定需要產生的隨機數個數，  
#（該大小可以理解爲是一個 2行3列 的矩陣，其中每個矩陣元素又是一個 9行9列的 矩陣）  
w_shp = (2, 3, 9, 9)   
  
# 每個權值的邊界，用來確定需要產生的每個隨機數的範圍。  
w_bound = numpy.sqrt(3 * 9 * 9)  
  
# rng.uniform(low,hign,size)的作用是產生一個shape爲size的均勻分佈數組，每個數的範圍爲(low,high)  
# numpy.asarray（a）的作用是將 類數組a 轉化爲array類型  
# theano.shared()實例化一個權值變量（只是爲了進行GPU加速時用），可以調用W.get_value()查看其value  
W = theano.shared( numpy.asarray(  
            rng.uniform(  
                low=-1.0 / w_bound,  
                high=1.0 / w_bound,  
                size=w_shp),  
            dtype=input.dtype), name ='W')  
  
# 下面是用同樣的方法初始化一個偏置值b，b通常被初始化爲0，因爲它在算法中會有一個被學習的過程；  
# 但是此處是需要直接用它來計算，所以用隨機值給它初始化，就當做是已經經過學習後的值了。  
b_shp = (2,)  
b = theano.shared(numpy.asarray(  
            rng.uniform(low=-.5, high=.5, size=b_shp),  
            dtype=input.dtype), name ='b')  
  
# conv.conv2d(input,filter) 需要2個輸入，一個是input，一個是filter。    
# input就是上文中的4D張量，每個張量分別代表[mini-batch size，特徵圖的數量，圖像高度，圖像寬度]。    
# filter就是上文中的W。也是一個4D張量，分別代表[m層特徵圖數量，m-1層特徵圖數量，過濾器高度，過濾器寬度]。    
#    
# 當其他函數需要用到變量conv_out時，會先把實參input傳入conv2d()中，再計算出conv_out    
#  
conv_out = conv.conv2d(input, W)  
  
# dimshuffle是一個很強大的能輕鬆改變一個張量結構的工具。b.dimshuffle('x', 0, 'x', 'x')  
# 就是把b的原始的第0列向量的左側添加一個維度，在其右側添加兩個維度。  
# b原來是個一維數據(2)，經過dimshuffle之後，則變成了一個四維數據(1*2*1*1)。  
# dimshuffle具體的操作，參見文章一開始。  
output = T.nnet.sigmoid(conv_out + b.dimshuffle('x', 0, 'x', 'x'))  
  
# 創建一個用來過濾圖像的theano.function（可以把f編譯爲c，然後就可以隨時拿來用了。）    
#    
# 當其他函數需要調用f時（調用形式爲f(input)），需要傳入實參input，然後將計算結果存入output中。    
#    
f = theano.function([input], output)  
  
# 下面開始處理幾幅圖片來看一下效果  
# 打開一幅圖片，源代碼中有2個"open"，應該是在linux中的語法，我是在windows上運行的，所以改成1個open    
img = Image.open('e:\\parker.jpg')  
  
# 得到圖片的寬度和高度（注意，順序一定不要弄反）  
img_w, img_h = img.size  
  
# 將圖片像素按照（高度，寬度，通道數量）格式化爲array數組  
# 其實就是將圖片數據格式化爲一個數組，因爲每個像素點包括3個字節，B,G,R，且其範圍爲0-255，  
# 這個地方最後將其除以256是爲了歸一化，歸一化後的數據是float64類型  
img = numpy.asarray(img, dtype='float32') / 256.  
  
# 圖片的原始數據是一個3D數據【高，寬，通道數量】，    
# 經過數據置換(transpose(2,0,1))之後，變成了【通道數量，高，寬】，    
# 因爲f中傳入參數需要4D，因此需要將圖片數據reshape成爲一個【1, 通道數量, 高, 寬】這樣的4D張量，    
# reshape的參數一定要注意，1就是最外的那一維度，3就是通道數量，然後是【高】和【寬】，    
# 這樣結果的 img_.shape =【1, 3, 寬, 高】   
#  
# 爲什麼reshape爲這樣的size呢？因爲調用f時需要傳入一個input，而這個input就是4D，最終的這個input是傳入到    
# conv2d中的第一個參數，而那個參數的格式是什麼呢？[mini-batch size，特徵圖的數量，圖像高度，圖像寬度]  
# 這樣就串起來了吧，第一個參數是batch size，據我所知應該是指卷積核的數量吧，但是不知道爲什麼這裏是1？  
# 第二個參數代表輸入層的特徵圖數量，這個地方是3，其實就是把一張彩色圖片按照3個通道作爲3個特徵圖進行輸入；  
# 最後兩個是圖像的高度和寬度，正好一一對應。  
#  
img_ = img.transpose(2, 0, 1).reshape(1, 3, img_h, img_w)  
  
  
# 將img_作爲f的參數，經過計算得到輸出  
filtered_img = f(img_)  
  
# 將原始圖片顯示出來  
pylab.subplot(1, 3, 1); pylab.axis('off'); pylab.imshow(img)  
# 圖片灰度化  
pylab.gray();  
  
# 分別顯示不同處理後的圖片  
pylab.subplot(1, 3, 2); pylab.axis('off'); pylab.imshow(filtered_img[0, 0, :, :])  
pylab.subplot(1, 3, 3); pylab.axis('off'); pylab.imshow(filtered_img[0, 1, :, :])  
pylab.show()

結果圖，原圖，特徵圖

第六步安裝cuda

安裝的前提是你自己的電腦已有GPU，可以上官網上查查自己顯卡對應支持的cuda，然後選擇對應支持的cuda進行下載。我的顯卡是gt705，我下載的是cuda7.5的版本。此外安裝cuda之前要先安裝vs編譯器，網上推薦的是vs2010-2014，我的是vs2013。大家自己選擇吧。先安裝vs在安裝cuda。

無腦進行安裝後進入到下一步。安裝完cuda後，系統會自動添加環境變量CUDA_PATH和CUDA_PATH_V7_5。

[global]
openmp=False

device=gpu

floatX=float32

allow_input_downcast=True
[blas]
ldflags=
[gcc]
cxxflags=-ID:\Anaconda3\MinGW

[nvcc]
flags = -LD:\Anaconda2\libs
compiler_bindir = D:\Microsoft Visual Studio 12.0\VC\bin
fastmath = True
flags=-arch=sm_30

紅色部分是在原來的基礎上新添加的，黃色部分是你自己對應的anaconda目錄，vs編譯器的vc主目錄。

注意很多博客和資料上都是到這一步就結束了，其實我自己安裝的時候，並不是這樣，還需要自己手動配置一些環境變量來完成cuda配置。

首先再系統環境變量中加入

CUDA_SDK_PATH:C:\ProgramData\NVIDIA Corporation\CUDA Samples\v7.5(注意這個填寫你自己的cuda位置，版本不同但是默認安裝的都在C:\ProgramData\NVIDIA Corporation下面，自己找下。)

然後加入CUDA_BIN_PATH:%CUDA_PATH%\bin

CUDA_LIB_PATH:%CUDA_PATH%\lib\x64(這裏注意根據自己的系統以及安裝的cuda來選擇，有32位和64位的，我的是64的)

加入 CUDA_SDK_BIN_PATH：%CUDA_SDK_PATH%\bin\x64(同上我的是64位的)

加入 CUDA_SDK_LIB_PATH：%CUDA_SDK_PATH%\common\lib\x64(同上我的是64位的)

ok到這基本上結束了，打開cmd，輸入python，然後import theano會出現(我的顯卡是gt705的，不是特別好.......)

有些童鞋可能還會出現一些警告，和debug信息，其實沒什麼關係，google了一下說是優化忽略之類的問題，不影響使用，ok現在再來跑cuda的測試程序

"""
Created on Tue Mar 15 23:44:52 2016

@author: Administrator
"""

from theano import function, config, shared, sandbox
import theano.tensor as T
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([], T.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' % iters, t1 - t0, 'seconds')
print ('Result is', r)
if numpy.any([isinstance(x.op, T.Elemwise) for x in f.maker.fgraph.toposort()]):
    print ('Used the cpu')
else:
    print ('Used the gpu')

會出現如下結果：

ok，我們看見已經開始使用gpu了，可是有兩個警告，但是繼續往後看，裏面寫着你可以忽略他

reference：

http://blog.csdn.net/niuwei22007/article/details/47684673

http://blog.sina.com.cn/s/blog_990865340101hvuq.html

http://blog.csdn.net/abcjennifer/article/details/25912675

深度學習anaconda+theano使用框架配置

如何使用 JS 判斷用戶是否處於活躍狀態

通過HPA+CronHPA組合應對業務複雜彈性伸縮場景

❤️‍🔥 Solon Cloud Event 新的事務特性與應用

深度學習anaconda+theano使用框架配置

ubuntu出現您的當前網絡有.local域

addDigits

離散數學蘊含等值式前件爲假命題爲真的理解

sift論文看後理解

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結