這裏需要說明一下，筆者不建議在Windows環境下進行深度學習的研究，一方面是因爲Windows所對應的框架搭建的依賴過多，社區設定不完全；另一方面，Linux系統下對顯卡支持、內存釋放以及存儲空間調整等硬件功能支持較好。如果您對Linux環境感到陌生，並且大多數開發環境在Windows下更方便操作的話，希望這篇文章對您會有幫助。
關於計算機的硬件配置說明
推薦配置
如果您是高校學生或者高級研究人員，並且實驗室或者個人資金充沛，建議您採用如下配置：
- 主板：X299型號或Z270型號
- CPU: i7-6950X或i7-7700K 及其以上高級型號
- 內存：品牌內存，總容量32G以上，根據主板組成4通道或8通道
- SSD： 品牌固態硬盤，容量256G以上
- 顯卡：NVIDIA GTX TITAN(XP) NVIDIA GTX 1080ti、NVIDIA GTX TITAN、NVIDIA GTX 1080、NVIDIA GTX 1070、NVIDIA GTX 1060 (順序爲優先建議，並且建議同一顯卡，可以根據主板插槽數量購買多塊，例如X299型號主板最多可以採用×4的顯卡)
- 電源：由主機機容量的確定，一般有顯卡總容量後再加200W即可
最低配置
如果您是僅僅用於自學或代碼調試，亦或是條件所限僅採用自己現有的設備進行開發，那麼您的電腦至少滿足以下幾點：
CPU說明
- 大多數CPU目前支持多核多線程，那麼如果您採用CPU加速，就可以使用多線程運算。這方面的優勢對於服務器CPU志強系列尤爲關鍵
顯卡說明
- 如果您的顯卡是非NVIDIA公司的產品或是NVIDIA GTX系列中型號的第一個數字低於6或NVIDIA的GT系列，都不建議您採用此類顯卡進行加速計算，例如
NVIDIA GT 910、NVIDIA GTX 460等等。 - 如果您的顯卡爲筆記本上的GTX移動顯卡（型號後面帶有標識M），那麼請您慎重使用顯卡加速，因爲移動版GPU容易發生過熱燒燬現象。
- 如果您的顯卡，顯示的是諸如
HD5000,ATI 5650等類型的顯卡，那麼您只能使用CPU加速 - 如果您的顯卡芯片爲Pascal架構（
NVIDIA GTX 1080,NVIDIA GTX 1070等），您只能在之後的配置中選擇CUDA 8.0
基本開發環境搭建
1. Microsoft Windows 版本
關於Windows的版本選擇，本人強烈建議對於部分高性能的新機器採用Windows 10作爲基礎環境，部分老舊筆記本或低性能機器採用Windows 7即可，本文環境將以Windows 10作爲開發環境進行描述。對於Windows 10的發行版本選擇，筆者建議採用Windows_10_enterprise_2016_ltsb_x64作爲基礎環境。
這裏推薦到MSDN我告訴你下載，也感謝作者國內優秀作者雪龍狼前輩所做出的貢獻與犧牲。
直接貼出熱鏈，複製粘貼迅雷下載：
ed2k://|file|cn_windows_10_enterprise_2016_ltsb_x64_dvd_9060409.iso|3821895680|FF17FF2D5919E3A560151BBC11C399D1|/
2. 編譯環境Microsoft Visual Studio 2015 Update 3
(安裝CPU版本非必須安裝)
CUDA編譯器爲Microsoft Visual Studio，版本從2010-2015，cuda8.0僅支持2015版本，暫不支持VS2017，本文采用Visual Studio 2015 Update 3。
同樣直接貼出迅雷熱鏈：
ed2k://|file|cn_visual_studio_professional_2015_with_update_3_x86_x64_dvd_8923256.iso|7745202176|DD35D3D169D553224BE5FB44E074ED5E|/
3. Python環境
python環境建設推薦使用科學計算集成python發行版Anaconda，Anaconda是Python衆多發行版中非常適用於科學計算的版本，裏面已經集成了很多優秀的科學計算Python庫。
建議安裝Anconda3 4.2.0版本，目前新出的python3.6存在部分不兼容問題，所以建議安裝歷史版本4.2.0
注意：windows版本下的tensorflow暫時不支持python2.7
下載地址： Anaconda
4. CUDA
(安裝CPU版本非必須安裝)
CUDA Toolkit是NVIDIA公司面向GPU編程提供的基礎工具包，也是驅動顯卡計算的核心技術工具。
直接安裝CUDA8.0即可
下載地址：https://developer.nvidia.com/cuda-downloads
在下載之後，按照步驟安裝，不建議新手修改安裝目錄，同上，環境不需要配置，安裝程序會自動配置好。
6. 加速庫CuDNN
從官網下載需要註冊 Nvidia 開發者賬號，網盤搜索一般也能找到。
Windows目前最新版v6.0，但是keras尚未支持此版本，請下載v5.1版本，即 cudnn-8.0-win-x64-v5.1.zip。
下載解壓出來是名爲cuda的文件夾，裏面有bin、include、lib，將三個文件夾複製到安裝CUDA的地方覆蓋對應文件夾，默認文件夾在：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\8.0
Keras 框架搭建
安裝
在CMD命令行或者Powershell中輸入：
# GPU 版本
>>> pip install --upgrade tensorflow-gpu
# CPU 版本
>>> pip install --upgrade tensorflow
# Keras 安裝
>>> pip install keras -U --pre
之後可以驗證keras是否安裝成功,在命令行中輸入Python命令進入Python變成命令行環境：
>>> import keras
Using Tensorflow backend.
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library cublas64_80.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library cudnn64_5.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library cufft64_80.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library nvcuda.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library curand64_80.dll locally
>>>
沒有報錯，那麼Keras就已經成功安裝了
- Keras中mnist數據集測試
下載Keras開發包
>>> conda install git
>>> git clone https://github.com/fchollet/keras.git
>>> cd keras/examples/
>>> python mnist_mlp.py
程序無錯進行，至此，keras安裝完成。