建立深度学习工作环境的过程相当复杂，包括以下步骤，本附录将详细介绍:
- 安装Python科学套件—numpy和scipy—并确保安装了基本的线性代数子程序库（BLAS），以便模型在CPU上快速运行。
- 安装两个额外的包，在使用Keras时非常方便:HDF5(用于保存大型神经网络文件)和Graphviz(用于可视化神经网络架构)。
- 通过安装CUDA驱动程序和cuDNN，确保GPU能够运行深度学习代码。
- 安装Keras的后端:TensorFlow、CNTK或Theano。
- 安装Keras
似乎是一个艰巨的过程。实际上，唯一困难的部分是设置GPU支持 — 否则，整个过程只需几个命令就可以完成，只需几分钟。
我们假设你有一个新的Ubuntu安装，有一个NVIDIA GPU可用。在开始之前，确保已经安装了pip，并且包管理器是最新的:
$ sudo apt-get update
$ sudo apt-get upgrade
$ sudo apt-get install python-pip python-dev
Python 2 vs. Python 3
默认情况下，Ubuntu在安装Python包(如python-pip)时使用Python 2。
如果您希望使用python3，那么您应该使用python3前缀而不是Python。例如:
$ sudo apt-get install python3-pip python3-dev
当您使用pip安装包时，请记住，在默认情况下，它是以Python 2为目标的。要针对python3，你应该使用pip3:
$sudo pip3 install tensorflow-gpu
A.1安装Python科学套件
如果您使用Mac，我们建议您通过Anaconda安装Python科学套件，您可以在www.continuum.io/downloads获取。注意，这将不包括HDF5和Graphviz，这需要手动安装。下面是在Ubuntu上手动安装Python科学套件的步骤:
- 安装BLAS库(本例中为OpenBLAS)，以确保您可以在CPU上运行快速张量操作:
$ sudo apt-get install build-essential cmake git unzip pkg-config libopenblas-dev liblapack-dev
- 安装Python科学套件:Numpy、SciPy和Matplotlib。这是必要的，以在Pytho中执行任何类型的机器学习或科学计算，不管你是否正在做深入学习:
$ sudo apt-get install python-numpy python-scipy python-matplotlib python-yaml
- 安装HDF5。这个库最初由NASA开发，以高效的二进制格式存储大量的数字数据文件。它将允许您快速和有效的保存您的Keras模型到磁盘:
$ sudo apt-get install libhdf5-serial-dev python-h5py
- 安装Graphviz和pydot-ng，这两个包可以让您可视化Keras模型。它们对于运行Keras不是必需的，因此您可以跳过这一步，在需要时安装这些包。以下是命令:
$ sudo apt-get install graphviz
$ sudo pip install pydot-ng
- 安装在我们的一些代码示例中使用的附加包:
$ sudo apt-get install python-opencv
A.2 设置GPU支持
使用GPU并不是必须的，但强烈推荐使用GPU。本书中找到的所有代码示例都可以在笔记本电脑的CPU上运行，但有时您可能需要等待几个小时才能对模型进行训练，而在良好的GPU上只需几分钟。如果你没有一个现代的NVIDIA GPU，你可以跳过这一步直接进入a .3部分。
要使用你的NVIDIA GPU进行深度学习，你需要安装两件东西:
- CUDA-您的GPU的一组驱动程序，允许它运行用于并行计算的低级编程语言。
- cuDNN-高度优化的深度学习原语库。当使用cuDNN并在GPU上运行时，通常可以将模型的训练速度提高50%到100%。
TensorFlow依赖于CUDA和cuDNN库的特定版本。在撰写本文时，它使用CUDA版本8和cuDNN版本6。请查阅
有关当前推荐的版本的详细说明，通过访问TensorFlow网站:www.tensorflow.org/install/install_linux。
如下操作步骤：
- CUDA下载。对于Ubuntu(和其他Linux版本)，NVIDIA提供了一个现成的包，您可以从https://developer.nvidia.com/cuda-downloads 下载
$ wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_9.0.176-1_amd64.deb
- 安装CUDA。最简单的方法就是对这个包中使用Ubuntu的apt这将允许您在它们变得可用时，通过apt轻松安装更新：
$ sudo dpkg -i cuda-repo-ubuntu1604_9.0.176-1_amd64.deb
$ sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub
$ sudo apt-get update
$ sudo apt-get install cuda-8-0
- 安装cuDNN:
a. 注册一个免费的NVIDIA开发者账户(不幸的是，为了获得cuDNN下载，这是必要的)，并在https://developer.NVIDIA.com/cudnn下载cuDNN(选择与TensorFlow兼容的cuDNN版本)。像CUDA一样，NVIDIA也针对不同的Linux提供不同的包——我们将使用Ubuntu 16.04的版本。注意，如果您正在使用EC2安装，那么您将无法直接将cuDNN存档下载到您的实例中;相反，将其下载到本地计算机，然后将其上传到EC2实例(通过scp)。
b 安装cuDNN:
$ sudo dpkg -i dpkg -i libcudnn6*.deb
- 安装TensorFlow:
a. 无论是否支持GPU，都可以使用PyPI使用Pip安装TensorFlow。下面是没有GPU支持的命令:
$ sudo pip install tensorflow
b. 下面是GPU支持的安装TensorFlow指令
$ sudo pip install tensorflow-gpu
A.3 安装 Theano (可选)
因为您已经安装了TensorFlow，所以您不必为了运行Keras代码而安装Theano。但有时来回切换是有用的，
在构建Keras模型时，从TensorFlow到Theano的切换。
Theano也可以通过PyPI来安装:
$ sudo pip install theano
如果您正在使用GPU，那么您应该配置Theano来使用您的GPU。您可以使用以下命令创建一个Theano配置文件:
nano ~/.theanorc
然后，用以下配置填写文件:
[global]
floatX = float32
device = gpu0
[nvcc]
fastmath = True
A.4 安装 Keras
你可以从PyPI安装Keras：
$ sudo pip install keras
或者，您可以从GitHub安装Keras。这样做将允许您访问keras/examples文件夹，其中包含许多示例脚本供您学习:
$ git clone https://github.com/fchollet/keras
$ cd keras
$ sudo python setup.py install
现在您可以尝试运行Keras脚本，例如MNIST示例:
python examples/mnist_cnn.py
请注意，运行这个示例可能需要几分钟的时间，因此在验证了它正常工作之后，可以随意强制退出(Ctrl-C)。
在至少运行一次Keras之后，可以在这里找到Keras配置文件:
~ / .keras / keras.json。您可以编辑它以选择Keras运行的后端:tensorflow、theano或cntk。您的配置文件应该是这样的:
{
"image_data_format": "channels_last",
"epsilon": 1e-07,
"floatx": "float32",
"backend": "tensorflow"
}
当Keras的脚本示例/mnist_cnn.py正在运行，您可以在不同的shell窗口中监视GPU的利用率:
$ watch -n 5 NVIDIA-smi -a --display=utilization
你都准备好了!祝贺您——您现在可以开始构建深度学习应用程序了。
实践上面流程
实践过程中，我没有安装GPU相关的内容。
安装过程比较蛋疼，出现了一些错误。在安装TensorFlow的时候，使用默认的
sudo pip install tensorflow
出错了。因此，改用下面的指令
pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.2.0rc0-cp27-none-linux_x86_64.whl
选用了1.2.0rc0的cpu版本（python 2.7），选择高版本尝试了下会出错。
在安装完成后，可以通过python指令进入python解释器中，然后执行import tensorflow来查看安装是否有问题。
如果出现了诸如下面的错误
>>> import tensorflow
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/usr/local/lib/python2.7/dist-packages/tensorflow/__init__.py", line 24, in <module>
from tensorflow.python import *
File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/__init__.py", line 104, in <module>
from tensorflow.python.platform import test
File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/platform/test.py", line 57, in <module>
import mock # pylint: disable=g-import-not-at-top,unused-import
File "/usr/local/lib/python2.7/dist-packages/mock/__init__.py", line 2, in <module>
import mock.mock as _mock
File "/usr/local/lib/python2.7/dist-packages/mock/mock.py", line 80, in <module>
import funcsigs
ImportError: No module named funcsigs
就执行
sudo pip install funcsigs
安装提示中缺失的模块。
在安装keras时，直接使用sudo apt-get install keras提示找不到相应的包，改用从github下载后编译，在编译过程中报错如下：
error: Setup script exited with error: library dfftpack has Fortran sources but no Fortran compiler found
提示比较清晰，缺少Fortran编译器。执行以下安装操作
sudo apt-get install gfortran
编辑完keras后，发现numpy版本有问题：
RuntimeError: module compiled against API version 0xa but this version of numpy is 0x9
Traceback (most recent call last):
原因主要在于默认的python库比较老了，即便通过pip命令安装了新的包，python也会默认导入默认位置的包。
将/usr/lib/python2.7/dist-packages下的numpy删除即可。
在删除了numpy后，报出了下面的错误：
AttributeError: type object 'NewBase' has no attribute 'is_abstract'
一样的做法，将/usr/lib/python2.7/dist-packages下的six相关文件删除。
