重点的重点来了，首先，我要说：theano支持到了cudnn5.1，就停止更新了。维护一年后彻底放弃，所以大部分都是用于实验室做一些toy data。
我是1060的显卡，于是安装了CUDA9和CUDA8，CUDA8是我在配置openpose的时候一起下的。在我用CUDA9配置完以后才知道CUDA9来做根本就不可能，因为支持的CUDNN是7.1.不信可以试试。
我下的Cnaconda3，为了以后配置tensor简单一些（ts在win下只支持3）
然后配置环境。script加到系统变量，以及Cnaconda也加进去。然后cmd执行
conda install numpy scipy mkl-service libpython m2w64-toolchain nose
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msy
这里是再添加镜像，避免不必要的弯路。
conda install numpy scipy mkl-service libpython m2w64-toolchain nose
conda install pygpu theano
theano-cache purge
还有一堆环境变量：
下面图里的上下位置，决定了是用cuda8还是9（对我个人而言）
随后在cmd的根目录加下面这个东西。
主要的问题在于一个.theanorc.txt的问题
[global]
cxx=E:\AnaConda\AnaConda\Library\mingw-w64\bin\g++.exe
device=cuda
floatX=float32
[gpuarray]
preallocate=0.75
[dnn]
enabled = True
include_path=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\include
library_path=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64
就这些，网上的一大堆什么加这个加那个，不敢说不对，至少在我这行不通。
成功了以后是这样：
我们测试一下代码：证明我们配置成功了。
对比一下下面两段代码：
from theano import function, config, shared, tensor
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([], tensor.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 %f seconds" % (iters, t1 - t0))
print("Result is %s" % (r,))
if numpy.any([isinstance(x.op, tensor.Elemwise) and
('Gpu' not in type(x.op).__name__)
for x in f.maker.fgraph.toposort()]):
print('Used the cpu')
else:
print('Used the gpu')结果为：
from theano import function, config, shared, tensor
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([], tensor.exp(x).transfer(None))
print(f.maker.fgraph.toposort())
t0 = time.time()
for i in range(iters):
r = f()
t1 = time.time()
print("Looping %d times took %f seconds" % (iters, t1 - t0))
print("Result is %s" % (numpy.asarray(r),))
if numpy.any([isinstance(x.op, tensor.Elemwise) and
('Gpu' not in type(x.op).__name__)
for x in f.maker.fgraph.toposort()]):
print('Used the cpu')
else:
print('Used the gpu')
我的运行结果：
可以看到0.38和0.041359的差距，大概10倍，看来标压CPU就是快哈，我看官网的是100倍，总之成功。
时间就是生命，请不要浪费生命！
