關鍵詞：theano安裝，搭建theano環境, python, 深度學習
因為需要安裝theano，結果發現這又是一個難以安裝的python包…雖然網上教程不少，然而魚龍混雜，試驗了各種方法流程，最后總算是弄好了，現在把我的過程總結如下：
安裝環境
- 64位win7系統，顯卡：GT 730M，筆記本電腦；
- 已安裝Visual Studio 2013 （都說VS2015太新不推薦）；
- 借助Anaconda來安裝theano，因為Anaconda已經集成了很多有用的python庫，如numpy、nose、scipy等，強烈推薦。
安裝Anaconda
- 我的版本：python2.7 windows 64-bit
- 下載地址：https://www.continuum.io/downloads
安裝mingw
- 安裝完之后，如果Anaconda目錄里沒有MinGW文件夾（據說這個跟Anaconda版本有關，有的版本會有，有的版本則沒有。由於折騰的步驟太多，我也不確定自己這個版本一開始有沒有），則通過如下方法安裝mingw：
- 打開cmd，直接輸入Anaconda的安裝命令（為了避免干擾我已經卸載了系統里其他的python版本）：
conda install mingw libpython- 安裝成功之后，Anaconda文件夾下就會出現MinGW文件夾。如果這個沒有裝好，運行測試時會提示存在g++問題。
- 這一步並沒有下載其他亂七八糟的mingw安裝軟件，有很多教程是通過安裝mingw軟件來實現的。
安裝theano
- 通過cmd直接運行以下命令（系統里有多個python版本的注意區分pip）：
pip install theano- 不要用什么theano.zip解壓到目錄底下或者theano_installer_latest.msi之類的方法安裝。
- 目前的theano版本：0.8.2
配置環境變量
- 需要根據自己的安裝路徑來添加
- 在PATH添加（這個在Anaconda安裝時可能已經設置了）：
D:\Anaconda;D:\Anaconda\Scripts;- 新建變量PYTHONPATH：（用來指明theano的安裝目錄）
D:\Anaconda\Lib\site-packages\theano;- 在cmd的home目錄中新建 .theanorc.txt 文件（作為theano的配置文件，注意名字中的第一個“.”，如果已經存在，則直接修改該文件），設置如下內容：
所謂cmd的home目錄：打開cmd時，在>前面的默認路徑：
[global] openmp=False [blas] ldflags = [gcc] cxxflags = -ID:\Anaconda\MinGW\includetheano測試
下面測試theano是否安裝成功：
- 測試方法1
用以下兩行代碼：
import theano print theano.config.blas.ldflags
沒有出錯(沒有返回值)則說明已經配置成功。
其實單單是import theano不報錯就已經謝天謝地了。
- 測試方法2
或者用下面的指令測試（測試時會有其他錯誤提示或是warnings，但基本上還能運行的話則說明theano沒問題，錯誤提示可能是有些東西還沒安裝好）：
import theano theano.test()運行：
例如我這里提示沒有nose-parameterized這個模塊，安裝方法：
pip install nose-parameterized例如會提示PyCUDA的相關錯誤信息等。
注意：測試2必須在cpu下運行，在下面的GPU搭建中，如果配置了theano的device = gpu，則測試2就不能運行了。
- 測試方法3
通過驗證BLAS是否安裝成功：由於numpy是以來BLAS的，如果BLAS沒有安裝成功，雖然numpy也可以安裝，但是無法使用BLAS的加速。
驗證numpy是否真的成功依賴BLAS編譯，用以下代碼測試：
import numpy
id(numpy.dot) == id(numpy.core.multiarray.dot)如果結果為False，表示成功依賴了BLAS加速，如果是TRUE則表示用的是python自己的實現，並沒有加速。（我這里總是顯示TRUE，暫時不知道為什么，但是前面的測試又表明theano已經安裝成功）
使用GPU
上面的theano配置只是完成了上半部分，這個時候還不能進行gpu加速。如果使用GPU則需要繼續以下步驟：
CUDA安裝
- 首先檢查自己的顯卡是否支持CUDA（顯卡至少是NVIDIA的），在如下網址查看具體是否支持：
- 確定已經安裝Visual Studio
- 下載對應自己系統版本的CUDA，我用的是CUDA Toolkit 7.5, win7 x86_64
- 安裝的時候注意選自定義安裝，模塊全部選上，精簡版可能會遺漏需要的模塊
- 驗證安裝成功：cmd輸入nvcc -V，如果能出現版本信息，則證明nvcc安裝成功
Theano文件配置(GPU)
- 編輯Theano的配置文件.theanorc.txt , 添加如下內容:(具體內容應當對應自己的Python版本和VS版本以及路徑做適當修改)
[nvcc] fastmath = True flags = -LD:\Anaconda\libs compiler_bindir = D:\Microsoft Visual Studio 2013\VC\bin- 繼續編輯Theano的配置文件，添加：
[global] device = gpu floatX = float32Theano配置文件
最終的Theano配置文件內容為：
[global] device = gpu floatX = float32 openmp=False [blas] ldflags = [gcc] cxxflags = -ID:\Anaconda\MinGW\include [nvcc] flags = -LD:\Anaconda\libs compiler_bindir = D:\Microsoft Visual Studio 2013\VC\bin- 在Python中運行”import theano.sandbox.cuda”. 將會編譯第一個Cuda文件, 應當沒有錯誤產生。
測試是否使用GPU
- 測試方法1
#!/usr/bin/env python # -*- coding: utf-8 -*- """ 功能：測試是否使用GPU 時間：2016年6月10日 11:20:10 """ 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')使用GPU的測試結果：1.66秒
使用CPU的測試結果：17.28秒
切換成cpu的方法，我是通過更改theano配置文件，將.theanorc.txt的內容只保留以下內容（可能需要重啟電腦）：
[blas] ldflags = [gcc] cxxflags = -ID:\Anaconda\MinGW\include
- 測試方法2
在theano庫中找到theano/misc/check_blas.py，運行這個測試文件。
這個測試文件里還有不同型號顯卡的性能結果，以供對比。
其他可選
- Visual Studio 2013下的安裝配置
- 為了方便以后建立統一的算法調用平台，故使用Visual Studio來進行圖形化界面的開發，安裝Python Tools for Visual Studio后即可在Visual Studio環境下來調用當前系統中的Python編譯環境。
- 安裝Python Tools for Visual Studio （2013），下載地址：
- http://www.aibbt.com/a/18928.html