本文主要讲解如何在windows平台配置python深度学习框架，花了3-4天才完全配置好了python+theano，一定得好好地写一下。
关于python的强大，我就不说了，自己体会吧，我也正在体会中。首先极力推荐使用它anaconda,anaconda内置地包含了numpy等各种各样科学计算所需要的开源库，省掉了很多时间去独自配置这些东西。好吧，废话不多说了，现在开始。
第一步 下载anaconda
在这里请注意，先看好你的电脑室32的还是64的，请下对应的版本。我的是win7 64位的所以下载的就是
这里需要说一下，我刚开始下载的是PYTHON3.5的版本，这两个版本都是不包含mingw和libpython包的，需要自己进行安装，但是后来悲剧了，3.5版本死活安装不了libpython，提示libpython与PYTHON3.5有冲突，没办法安装，我查了好长时间，也没有解决，这点还要靠大家自己去查，看看是什么情况。所以最后我没办法了，就重新下载了PYTHON2.7版本的进行安装配置，居然成功了。所以这里极力推荐大家下载2.7版本的，也就是上图画红色圈的那个。
第二部安装anaconda
这不基本上是无脑操作，下载好anaconda（python2.7）后，进行安装，安装过程中会提
第三部配置mingw和libpython
安装完anaconda后打开 anaconda prompt，输入conda list，会显示现在的已经安装好的开源包。
往下拉，会发现没有mingw包和libpython包，所以需要自己进行配置。没有这两个包theano是没办法使用的，会报错。所以先安装mingw和libpython，点击开始-cmd，输入conda install mingw libpython，将会自动安装mingw和libpython（请注意这里对于python2.7的是可以正确无误安装的，但是对于python3.5会提示libpython与python3.5冲突没法安装，所以建议下载anaconda的时候下载PYTHON2.7的）。安装完后进入下一步。
第四部环境配置
网上查阅的环境配置基本相同，但是里边还是有少许问题的，我的配置是直接在环境变量中的系统变量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）
网上还有的教程说要在用户变量中添加PYTHONPATH变量，刚开始我也是按照网上说的这么来的，可是发现添加PYTHONPATH变量后spyder打不开了，然后我直接删除了PYTHONPATH这个用户变量，可以正常使用spyder了。
然后在cmd的home目录中新建.theanorc.txt文件，这里有些人不知道什么是home文件，我刚开始也不明白，后来知道了就是你点开始-cmd，进入命令行后的当前目录，我的是
.theanorc.txt文件，这两个点都不能少，然后在该文件中键入
[global]
openmp=False
[blas]
ldflags=
[gcc]
cxxflags=-ID:\Anaconda3\MinGW
请将红色的部分改成你自己的安装目录。现在这样的写法是没有配置gpu的，配置gpu的后边会讲到。
这些弄完之后，最好重启下电脑，或者注销下，我是注销了。
第五部安装theano
现在安装theano的前提条件都已经完成了，可以开始安装theano，最简单快捷的方法就是进入cmd，输入pip install theano，便会开始安装。
这些都弄完后，没有错误了，就可以试试是否可以用了，在cmd 下进入python，输入import theano
后边有一大堆的信息，至于是什么，自己以后慢慢理解，现在我也不太清楚。
这样theano就安装完毕了，可以写一个cnn的例子来试下效果了
import theano
import numpy
import pylab
from theano import tensor as T
from theano.tensor.nnet import conv
from PIL import Image
# 生成一个随机数生成类rng，其seed为23455（随机数种子）。
rng = numpy.random.RandomState(23455)
# 实例化一个4D的输入tensor，是一个象征性的输入，相当于形参，需要调用时传入一个实参
input = T.tensor4(name='input')
# 权值数组的shape（可以理解为权值的数组大小），用来确定需要产生的随机数个数，
#（该大小可以理解为是一个 2行3列 的矩阵，其中每个矩阵元素又是一个 9行9列的 矩阵）
w_shp = (2, 3, 9, 9)
# 每个权值的边界，用来确定需要产生的每个随机数的范围。
w_bound = numpy.sqrt(3 * 9 * 9)
# rng.uniform(low,hign,size)的作用是产生一个shape为size的均匀分布数组，每个数的范围为(low,high)
# numpy.asarray（a）的作用是将 类数组a 转化为array类型
# theano.shared()实例化一个权值变量（只是为了进行GPU加速时用），可以调用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')
# 下面是用同样的方法初始化一个偏置值b，b通常被初始化为0，因为它在算法中会有一个被学习的过程；
# 但是此处是需要直接用它来计算，所以用随机值给它初始化，就当做是已经经过学习后的值了。
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个输入，一个是input，一个是filter。
# input就是上文中的4D张量，每个张量分别代表[mini-batch size，特征图的数量，图像高度，图像宽度]。
# filter就是上文中的W。也是一个4D张量，分别代表[m层特征图数量，m-1层特征图数量，过滤器高度，过滤器宽度]。
#
# 当其他函数需要用到变量conv_out时，会先把实参input传入conv2d()中，再计算出conv_out
#
conv_out = conv.conv2d(input, W)
# dimshuffle是一个很强大的能轻松改变一个张量结构的工具。b.dimshuffle('x', 0, 'x', 'x')
# 就是把b的原始的第0列向量的左侧添加一个维度，在其右侧添加两个维度。
# b原来是个一维数据(2)，经过dimshuffle之后，则变成了一个四维数据(1*2*1*1)。
# dimshuffle具体的操作，参见文章一开始。
output = T.nnet.sigmoid(conv_out + b.dimshuffle('x', 0, 'x', 'x'))
# 创建一个用来过滤图像的theano.function（可以把f编译为c，然后就可以随时拿来用了。）
#
# 当其他函数需要调用f时（调用形式为f(input)），需要传入实参input，然后将计算结果存入output中。
#
f = theano.function([input], output)
# 下面开始处理几幅图片来看一下效果
# 打开一幅图片，源代码中有2个"open"，应该是在linux中的语法，我是在windows上运行的，所以改成1个open
img = Image.open('e:\\parker.jpg')
# 得到图片的宽度和高度（注意，顺序一定不要弄反）
img_w, img_h = img.size
# 将图片像素按照（高度，宽度，通道数量）格式化为array数组
# 其实就是将图片数据格式化为一个数组，因为每个像素点包括3个字节，B,G,R，且其范围为0-255，
# 这个地方最后将其除以256是为了归一化，归一化后的数据是float64类型
img = numpy.asarray(img, dtype='float32') / 256.
# 图片的原始数据是一个3D数据【高，宽，通道数量】，
# 经过数据置换(transpose(2,0,1))之后，变成了【通道数量，高，宽】，
# 因为f中传入参数需要4D，因此需要将图片数据reshape成为一个【1, 通道数量, 高, 宽】这样的4D张量，
# reshape的参数一定要注意，1就是最外的那一维度，3就是通道数量，然后是【高】和【宽】，
# 这样结果的 img_.shape =【1, 3, 宽, 高】
#
# 为什么reshape为这样的size呢？因为调用f时需要传入一个input，而这个input就是4D，最终的这个input是传入到
# conv2d中的第一个参数，而那个参数的格式是什么呢？[mini-batch size，特征图的数量，图像高度，图像宽度]
# 这样就串起来了吧，第一个参数是batch size，据我所知应该是指卷积核的数量吧，但是不知道为什么这里是1？
# 第二个参数代表输入层的特征图数量，这个地方是3，其实就是把一张彩色图片按照3个通道作为3个特征图进行输入；
# 最后两个是图像的高度和宽度，正好一一对应。
#
img_ = img.transpose(2, 0, 1).reshape(1, 3, img_h, img_w)
# 将img_作为f的参数，经过计算得到输出
filtered_img = f(img_)
# 将原始图片显示出来
pylab.subplot(1, 3, 1); pylab.axis('off'); pylab.imshow(img)
# 图片灰度化
pylab.gray();
# 分别显示不同处理后的图片
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() 
第六步 安装cuda
安装的前提是你自己的电脑已有GPU，可以上官网上查查自己显卡对应支持的cuda，然后选择对应支持的cuda进行下载。我的显卡是gt705，我下载的是cuda7.5的版本。此外安装cuda之前要先安装vs编译器，网上推荐的是vs2010-2014，我的是vs2013。大家自己选择吧。先安装vs在安装cuda。
无脑进行安装后进入到下一步。安装完cuda后，系统会自动添加环境变量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
红色部分是在原来的基础上新添加的，黄色部分是你自己对应的anaconda目录，vs编译器的vc主目录。
注意很多博客和资料上都是到这一步就结束了，其实我自己安装的时候，并不是这样，还需要自己手动配置一些环境变量来完成cuda配置。
首先再系统环境变量中加入
CUDA_SDK_PATH:C:\ProgramData\NVIDIA Corporation\CUDA Samples\v7.5(注意这个填写你自己的cuda位置，版本不同但是默认安装的都在C:\ProgramData\NVIDIA Corporation下面，自己找下。)
然后加入CUDA_BIN_PATH:%CUDA_PATH%\bin
CUDA_LIB_PATH:%CUDA_PATH%\lib\x64(这里注意根据自己的系统以及安装的cuda来选择，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到这基本上结束了，打开cmd，输入python，然后import theano会出现(我的显卡是gt705的，不是特别好.......)
有些童鞋可能还会出现一些警告，和debug信息，其实没什么关系，google了一下说是优化忽略之类的问题，不影响使用，ok现在再来跑cuda的测试程序
"""
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')
ok，我们看见已经开始使用gpu了，可是有两个警告，但是继续往后看，里面写着你可以忽略他
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