近期因为运行深度模型程序的需要，在自己的台式机上运行Theano，遇到了不少问题。实际上如果只是让程序跑起来，不考虑速度的话，直接pip install theano就搞定了，但如果加上GPU，还是在Windows上，就很容易呼天抢地了……
关于Theano的详细配置，其实Theano documentation里已经介绍很清晰了，但无奈其中的Windows部分，大多数依赖项都是按照旧版本来写的，所以几乎是一步一坑，处处地雷。。。
下面结合自己配置Theano+GPU的经历，大概总结下我最终配置成功的操作。
关于Python
在Windows系统下，不太建议直接使用python+pip管理，各种底层基于C的package使用pip install经常出错。这个网站Unofficial Windows Binaries for Python Extension Packages提供了大多常用package的编译好的版本，可以下载后直接pip安装 whl文件，但这种处理方式还是过于原始，费心费力……
比较好的做法是使用Python的集合发行版，比如Anaconda或Winpython。这种发行版一般会内置好大多数常用package，尽量实现python与底层操作系统的隔离。个人更喜欢Anaconda，除了因为包管理外，Anaconda还支持环境，可以避免在机器上安装各种py2、py3版本的python。
现在安装Anacoda的话，默认环境的python好像是3.5的，但这不重要，随时用conda create就可以创建一个新的python版本。Theano官方教程也推荐用在Windows下使用Anaconda，但你会发现，你运行conda install libpython都会出问题。。。
关于Anaconda与Theano
安装好Anaconda后，怎么安装Theano，配置GPU，可以参考这篇文章：windows10下theano启用gpu：CUDA + Anaconda。我就是最终参考这篇文章配置好的，这里就直接引用下，不再详细拷贝过来了。
只补充说明以下几点：
- 关于
Visual Studio，根据原文注意下是否版本支持就行，一定注意在PATH中添加对应的路径。 - 有时候运行
Visual Studio的cuda样例工程，会遇到编译失败（fatal error）问题，这一般是因为路径下有旧的不兼容的工程生成文件，先删掉旧的再重新编译即可。 - 原博客中，创建python34环境后，重新更改了环境变量，指向python34的env，其实也可以使用
activate env_name激活某个虚拟环境，这样Anaconda会自动更改python版本指向，缺点是每次重新运行cmd时都需要先activate一下。两种方法各有优劣，看自己喜好。 - 有个编码的错误，需要改动
Theano的一处源码，参考原文评论，需要修改的位置是Anaconda3/envs/python34/lib/site-packages/theano/compat/__init__.py，第46行左右的yield x.decode()改为yield x.decode('GBK')（Mac OSX等系统就不用改这个了……） -
MinGW等底层支持，使用Anaconda自动管理即可，如无其他需要，不用手动安装这些工具。
碎碎念
听说Tensorflow才是未来？目前Keras的backend是同时支持Theano和Tensorflow的，真是好……
再次吐槽下Windows系统对开发人员的不友好……在Linux或Mac OS X上，上面的问题就少多了……
2016.07.24补充：
因为实验室采购了NVIDIA GTX 1080的显卡，我又在Ubuntu环境下配置cuda和Theano，发现坑也不少，主要是因为1080的卡是最新的，所以驱动方面有些注意事项。最后我是参考这篇文章配置好的：深度学习主机环境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0，仅供参考。
Hail Python!
