1.首先安装Ubuntu14.04，这是Ubuntu系列最稳定的版本。
安装驱动，有条件使用GPU的，采用GPU加速。
2.安装GPU驱动过程：
ctrl+Alt+F1输入账号密码
sudo stop lightdm
sudo su
sudo apt-get --purge remove nvidia-*
./NVIDIA（tab一下）......--no-opengl-files
sudo start lightdm
3.配置keras
Keras使用了下面的依赖包：
· numpy，scipy
· pyyaml
· HDF5, h5py（可选，仅在模型的save/load函数中使用）
· 如果使用CNN的推荐安装cuDNN
当使用TensorFlow为后端时：
当使用Theano作为后端时：
· Theano
“后端”翻译自backend，指的是Keras依赖于完成底层的张量运算的软件包。
安装Keras时，请cd到Keras的文件夹中，并运行下面的安装命令：
sudopython setup.py install
你也可以使用PyPI来安装Keras
sudopip install keras
Ubuntu初始环境设置
· 安装开发包打开终端输入：
#系统升级
>>>sudo apt update
>>>sudo apt upgrade
#安装python基础开发包
>>>sudo apt install -y python-dev python-pip python-nose gcc g++ git gfortran vim
· 安装运算加速库打开终端输入：
>>>sudo apt install -y libopenblas-dev liblapack-dev libatlas-base-dev
3. CUDA开发环境的搭建(CPU加速跳过)
如果您的仅仅采用cpu加速，可跳过此步骤 -下载CUDA8.0
请采用GPU加速的NVIDA官网步骤进行GPU加速
Keras框架搭建
相关开发包安装，根据你是采用GPU还是采用CPU选择相应命令
在终端中输入:
>>> sudo pip install -U --pre pip setuptools wheel
>>> sudo pip install -U --pre numpy scipymatplotlib scikit-learn scikit-image
>>> sudo pip install -U --pre tensorflow-gpu
>>>sudopip install -U --pre theano
# >>> sudo pip install -U --pre tensorflow
>>> sudo pip install -U --pre keras==1.2.2
特别说明：keras版本若不指定，将会默认最高版本，运行有些程序识别不了
修改keras后端，在终端输入：
>>>gedit ~/.keras/keras.json
安装完毕后，输入python，然后输入：
>>>import tensorflow
>>>import keras
无错输出即可
配置theano文件，在终端中输入：
>>>gedit ~/.theanorc
若是采用GPU加速的，写入以下
[global]
openmp=False
device = gpu
floatX = float32
allow_input_downcast=True
[lib]
cnmem = 0.8
[blas]
ldflags= -lopenblas
[nvcc]
fastmath = True
若是采用CPU加速版本，则.theanorc文件配置如下：
[global]
openmp=True
device = cpu
floatX = float32
allow_input_downcast=True
[blas]
ldflags= -lopenblas
之后可以验证keras是否安装成功，在命令行中输入Python命令进入Python变成命令行环境：
>>>import keras
没有报错，并且会打印出关于显卡信息以及cnmem等信息（CPU版本没有），那么keras就安装成功了
加速测试
速度测试
新建一个文件 test.py，内容为：
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 xrange(iters):
r = f()
t1 = time.time()
print("Looping %d times took %fseconds" % (iters, t1 - t0))
print("Result is %s" % (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')
在GTX 970显卡下，输出结果大概是0.21秒，在一百倍运算量下19秒，可以进行对比。理论上，相比
较主频为3.3GHz的CPU，加速比应该是75倍，但不同的ssd和内存限制了IO接口传输速度。
Keras中 mnist数据集测试
下载Keras开发包
git clonehttps://github.com/fchollet/keras.git
cd keras/examples/
python mnist_mlp.py
程序无错进行，至此，keras安装完成。
输入：
>>>keras.__version__
注意：上面每个下划线为两个
Keras安装原作者联系方式：[email protected].
4．安装pycharm
5.安装opencv2.4.9
参照：http://www.linuxdiyf.com/linux/28899.html
https://www.douban.com/note/521352400/
1.安装ffmpeg
git clone https://git.ffmpeg.org/ffmpeg.git ffmpeg
cd source_directory
./configure--enable-shared --disable-static
make
sudo makeinstall
检查是否安装成功
ffmpeg
2.安装opencv
安装之前要先装好一堆依赖包，参考官网http://docs.opencv.org/2.4/doc/tutorials/introduction/linux_install/linux_install.html
安装过程出现问题可以参考部分解决方案
注意：必须先安装ffmpeg
官网显示的这一步很重要：
2Enter the<cmake_binary_dir> and type
cmake [<someoptional parameters>] <path to the OpenCVsource directory>
For example
cd ~/opencv
mkdir release
cd release
cmake -D CMAKE_BUILD_TYPE=RELEASE -DCMAKE_INSTALL_PREFIX=/usr/local ..
也可参照以下安装opencv3.0的博客：
http://blog.csdn.net/linj_m/article/details/45048905
安装完成后，输入以下查看opencv版本：
pkg-config --modversionopencv
将opencv源码包下的example/c拷贝出来，执行./build_all.sh
结果如下：
如果打不开输入sh ./build_all.sh
6安装h5py
>>>sudopip install h5py