之前一直都是在Linux下用，不过平心而论能最好兼顾娱乐和工作同时进行的还是Windows，所以打算Windows下也装一个，之前看到的一些Windows安装指南都各种麻烦，自己实践一下才发现其实已经异常方便了。Win7, 64bit下测试通过。&第一步：安装MinGWhttp://sourceforge.net/projects/mingw我装了base,&MSYS和gcc，没试过别的选项。&第二步：安装Anacondahttps://store.continuum.io/cshop/anaconda这个包集成了许多Theano的prerequisite。&第三步：安装Theano这步我的做法和官网指南不一样，如果按照官网的指引去/Theano/Theano-wininstaller/raw/master/bin/theano_installer_latest.msi用windows installer安装的话，许多人会碰到下面这个问题：这篇文章里提到了对这个问题的手动解决方案，不过其实可以更简单的：到Anaconda的程序菜单里找到"Anaconda Command Prompt"，打开之后进入到Scripts目录下，然后执行&pip install theano&大功告成！安装Theano和keras
最近在学习deep learning，准备搭建Keras环境，但是keras依赖Theano，安装虽然不是特别复杂但是也是走了一些弯路，在此写出记录一下。
Theano简介
主页：http://deeplearning.net/software/theano/
Github网址：/Theano/Theano
Theano不仅是这篇文章中将要讨论的其他框架的核心库，于其自身而言，它也是一个强大的库，几乎能在任何情况下使用，从简单的logistic回归到建模并生成音乐和弦序列或是使用长短期记忆人工神经网络对电影收视率进行分类。
Theano大部分代码是使用Cython编写，Cython是一个可编译为本地可执行代码的Python方言，与仅仅使用解释性Python语言相比，它能够使运行速度快速提升。最重要的是，很多优化程序已经集成到Theano库中，它能够优化你的计算量并让你的运行时间保持最低。
如果速度的提升还不能满足你，它还内置支持使用CUDA在GPU上执行那些所有耗时的计算。所有的这一切仅仅只需要修改配置文件中的标志位即可。在CPU上运行一个脚本，然后切换到GPU，而对于你的代码，则不需要做任何变化。
尽管Theano使用Cython和CUDA对其性能大大提升，但你仍然可以仅仅使用Python语言来创建几乎任何类型的神经网络结构。
主页：http://keras.io/
Github网址：/fchollet/keras
Keras是一个简约的、高度模块化的神经网络库，设计参考了Torch，基于Theano和Python语言编写，支持GPU和CPU。它的开发侧重于实现快速试验和创造新的深度学习模型。
如果你需要具有以下功能的深度学习库，采用Keras就恰到好处：
可以很容易地、快速地建立原型（通过总体模块化，极简化并且可扩展化）。
支持卷积网络和递归网络，以及两者的组合。
支持任意连接方式（包括多输入多输出训练）。
Keras库与其他采用Theano库的区别是Keras的编码风格非常简约、清晰。它把所有的要点使用小类封装起来，能够很容易地组合在一起并创造出一种全新的模型。
安装Theano
这个过程我走了两次，第一次安装成功但是对keras的代码运行有错，之后找到原因重装一切正常；
我先说我安装错误的那次:
按照官方文档（http://deeplearning.net/software/theano/install_ubuntu.html#install-ubuntu）的介绍：
我的系统是ubuntu14.04，所以直接上:
sudo apt-get install python-numpy python-scipy python-dev python-pip python-nose g++ libopenblas-dev git
sudo pip install Theano
OK,一切正常！貌似是对了，下面我们验证一下：
看似正常，我们来个toy display玩玩mnist，大家看这篇博客深度学习框架Keras简介，我们就用他的代码玩玩。
这时出现了错误，说&卷积的时候没有定义input_shape&，原始的错误我没截图大概就是这个意思，搜索了一下原因是keras版本更新API也更新了，一通查documents改错，最后终于全部改好。我的Theano版本是0.7.0，我的这份代码也会上传CSDN（http://download.csdn.net/detail/gavin__zhou/9286347），有兴趣的可以下载看看。
一切正常运行之后，结果貌似还不错，10次epoch之后，成功率大概97%左右，上个截图:
貌似都对了对吧，可是我们修改下代码八激活函数换成relu看看:
又出错，错误是&AttributeError: &module& object has no attribute &relu&&
只好搜索了一把，别人是这么说的：
原来是安装的Theano不对，不可以用pip的形式安装，直接git克隆安装就可以了。
正确的安装方法是：
git clone git:///Theano/Theano.git
python setup.py develop --user
执行之后，将Theano目录下的theano目录拷贝到python安装目录下的dist-package下就可以了，我的机器是/usr/lib/python2.7/dist-packages
到此，咱们改下代码运行下，没问题只是成功率低了很多，至少没报错对吧
这就没什么好说的了，自己下载下来就行了，keras Github地址（/fchollet/keras）。
本文永久更新地址：
------分隔线----------------------------Linux更新Python版本及修改python默认版本的方法
作者：legend.baby
字体：[ ] 类型：转载 时间：
很多情况下拿到的服务器python版本很低，需要自己动手更改默认python版本，但是有好多朋友都被这个问题难倒了，接下来，通过本篇文章给大家介绍linux更新Python版本及修改默认版本的方法，感兴趣的朋友一起学习吧
linux下更新Python版本并修改默认版本，有需要的朋友可以参考下。
很多情况下拿到的服务器python版本很低，需要自己动手更改默认python版本
1、从官网下载python安装包（这个版本可以是任意版本3.3 2.7 2.6等等）
&2、解压并安装
tar -jxvf Python-2.7.tar.bz2
cd Python-3.3.0
./configure
make install
make clean
make distclean& python默认被安装在/usr/local/bin/python2.7，你可以执行以下命令查看版本
/usr/local/bin/python2.7 -V 而系统的默认python放置在/usr/bin/python2.6处（这个2.6是系统默认版本）
因此此时需要建立软连接指向当前系统默认的python目录处，让系统使用新的python版本
mv /usr/bin/python /usr/bin/python2.6 //对系统默认版本python进行操作
ln -s /usr/local/bin/python2.7 /usr/bin/python&& //注意第一个路径是新安装的python版本路径，而第二个路径是系统默认路径
&修改完成，此时输入python -V或者python就看看到版本号已经修改到了新安装的版本
1、修改了新的python版本，那么原先安装的python插件都不在新版本python目录下，因此需要重新安装
2、有些人更新了python版本无法使用yum，需要为yum修改它的配置文件
vi /usr/bin/yum& 将文件头部的#!/usr/bin/python改成#!/usr/bin/python2.6（注意这个是之前的老版本python号，因为此时老版本才能支持yum）
以上内容是小编给大家分享的linux更新Python版本及修改默认版本的方法，希望大家喜欢。
您可能感兴趣的文章:
大家感兴趣的内容
12345678910
最近更新的内容
常用在线小工具　　本节主要分享下我在windows 8下安装theano的一些体会。
　　在windows下使用各种开源工具有诸多不便甚至不能使用，这一点想必大家已经有所体会，回想当时学习openCV，点云库的历程，几乎都是在安装和配置环境上下了比较大功夫。
　　不过与上面提到的那些相比，theano还是容易安装的。
　　点开讲解theano安装的官方页面，requirements的一堆东西对于我这个从未用python进行科学计算的人有些发憷，但当翻到底下windows安装部分时候，该教程提供了几个比较快捷的安装这些依赖项的方法，第一种就是.&事实证明这个软件是个坑，我按照教程申请了学生账号，安装了EPD，也成功调试好了theano，跑了一下例程，没有问题。但是，每次我import theano的时候都会提示 没有找到g++ 然后整个代码就以python的形式运行（如果有g++ 将会被转换成c++），可想而知程序得有多慢。对于第一个logistic regression的还好，大约两秒一代，总共75代，能够忍受，但是第二个多层感知器（也就是传统意义上的神经网络）就不行了，一代就要好几分钟，总共八百多代，python的慢一下子暴露无遗。
　　我也不是没有试着弄这个g++，先是用机子上已经有的R的g++，cygwin的g++，都是各种报错，具体错误原因不多讲了。然后在网上的一个帖子上发现MinGW有64位的g++，于是按照这个步骤的方法步骤安装好了64位MinGW：。写这篇文章的时候发现有中文博客& 讲了同样的东西，大家可以看它安装CMAKE前面的两个部分就好了。
　　弄好64位的g++，信心满满再试，还是不行。一import theano就卡死了。东找西找也没什么解决方法，于是由回到theano的官方安装教程，看第二种安装方法：
　　AnacondaCE
　　真是太好用了，先在下载安装这个软件，然后使用这个程序.就可以安装完成theano了，并且可以正常使用g++，在我的i7 3632m 上的运行速度和logistic regression中使用cpu的速度相仿。
PS：1.我在安装AnacondaCE的时候，EPD还没有卸载，上面说的那个windows installer for AnacondaCE 我使用没有反应，我把EPD中theano的目录 &
&"...\AppData\Local\Enthought\Canopy\User\Lib\site-packages\theano"
　　复制到AnacondaCE的目录
"...\Anaconda\Lib\site-packages\theano"
　　解决了这个问题。
　　2.按照以上方法如果还不能安装，试着使用bleeding edge version的theano，也就是，先在windows下安装git，然后使用命令
　pip install --upgrade --no-deps git+git:///Theano/Theano.git
阅读(...) 评论()微信公众号：centoscn
centOS安装theano教程
参考：http://deeplearning.net/software/theano/install.html&
为了安装python软件方便，先安装pip。&
安装方法，见google&
安装Theano的先决条件：&
1，python 2.6以上；&
3，numpy（依赖BLAS，虽然没有亦可以安装，但是无法使用BLAS的加速）&
4，SciPy（依赖BLAS）&
安装BLAS方法，如下，有点麻烦：&
一共就是 blas、blas-devel、lapack、lapack-devel、atlas、atlas-devel要安装，&
都可以通过yum安装；&
cblas不确定是否要按照；&
BLAS的安装，在redhat下，安装步骤如下：&
1，yum install gcc-gfortran& 安装fortran编译器&
2，下载BLAS和CBLAS：http://www.netlib.org/blas/上，blas.tgz和cblas.tgz&
3，安装BLAS，cd 到BLAS目录下，然后直接make就行，编译成功后有一个blas_LINUX.a产生；&
4，链接blas库文件：ln -s xxxxxxx/BLAS/blas_LINUX.a /usr/local/lib/libblas.a&
5，安装CBLAS，cd到CBLAS目录下，将MakeFile.in改成MakeFile.in.bkp作为备份，然后用这个命令，建立一个链接：ln -s Makefile.LINUX Makefile.in ；再然后修改MakeFile.in里面的BLLIB = 行，让等号右边指向blas_LINUX.a文件，然后保存后，输入make all；编译成功后会在lib下生成cblas_LINUX.a文件；&
6，把这个库文件在 /usr/local/lib 下做一个 快捷连接即可。&
ln -s xxxxxx/CBLAS/lib/cblas_LINUX.a /usr/local/lib/libcblas.a&
刚发现，可以用yum install blas安装，，我去，btw还需要安装 blas-devel&
除了blas的包，还得安装lapack、lapack-devel、atlas、atlas-devel，幸好可以yum安装。&
运行以下代码即可&
Shell代码&&
注意：atlas的安装包不是 atlas-c++.x86_64 atlas-c++-devel.x86_64，这俩是一个接口啥啥。&
安装numpy：&
直接pip install numpy搞定；&
安装SciPy，直接pip install SciPy搞定&
然后就是安装Theano，也是直接pip install Theano搞定&
验证numpy是否真的成功依赖BLAS编译，用以下代码试验：&
&&& import numpy&
&&& id(numpy.dot) == id(numpy.core.multiarray.dot)&
结果为False表示成功依赖了BLAS加速，如果是Ture则表示用的是python自己的实现并没有加速。
------分隔线----------------------------}