※如果DL的全貌是马里安纳海沟，
※那我大概正在游泳池游泳。
我用的是python3+tensorflow+keras，
先写个简单的建置历程 证明不是键盘大师。
如果你是个只会用windows的人，
(修改一下)注意底下:
Windows用python3.6，
tensorflow安装会有问题，
我移掉3.6再装3.5.2还是会挂，
要重灌windows再装3.5.2才正常import。
※(如果你是个不用花一个礼拜以上时间，
※就可以独自在windows上跑gpu加速的人，
※那我想拜你为师)
如果你会用Vim写程式，
那这篇请当作笑话略过。
如果你不知道指令cd,ls在干嘛？
那请先了解Linux的档案架构跟windows的差异。
如果不会用nano写个python的开图程式，
那请先看看vim怎么操作，然后你会对nano很有亲切感。
还有把tensorflow装好后用matplotlib秀张图出来。
如果不知道该怎么开始DL的学习，
那请在github上找个简单的CNN模型下来跑跑看，先看看别人是怎么做的。
上面写了我目前建置过程中的大部分keywords，事后有想到再补充。
~~~
有人说deep learning用cpu跑是开玩笑，
就我个人一个多月以来学习经验，
这一半是开玩笑没错，但另一半不是。
直接讲用cpu跟gpu的比较好了，
GPU优点:
快，就是快，2,3小时的train几十分钟就完成。
只用CPU优点:
简单，建置快速。
初学者我强烈建议先在VM中安装Ubuntu，
装在VM中就不能用GPU加速了，
可初学者就不要妄想用什么GPU了。
CPU都没搞定还想用GPU?
※如果你真的很想用GPU加速某个model，那这篇也不是你需要看的。
用VM的好处:
装完环境之后你可以直接汇出虚拟机当作备份，
避免新手的强力技能:[把环境崩溃掉]后，
要重新安装系统的麻烦事。
而且可以安装一次，创建好几台虚拟机，
而不用准备一堆实体电脑，
去测试各种环境变量，套件的相容性，跟一堆杂七杂八的问题。
高手会用virtualenv创建不同的虚拟环境，
避免不小心搞挂系统这件事。
不过，连virtualBox都不会用的话，
我是不觉得会用virtualenv。
~~~
安装tensrflow-cpu
就把官网的指令复制贴上，大概4个步骤，含下载15分钟完成。
安装tensorflow-gpu
需要CUDA® Toolkit 8.0
需要cuDNN v5.1.
以上两个就是安装gpu版最累人的地方，第一次我至少花了两天时间，
NVIDIA的安装说明我一直没有去看懂，
试着在k600上安装时，被烦倒在设定环境变量的部份，就不想搞了。
安装完上面两个后，就跟安装cpu版是几乎一样的指令了。
~~~
就目前为止，用gpu的好处，
我只想到加快train,跟使用的速度，
DL的学习重点跟顺序，
着重于: linux操作 〉python 〉
tensorflow跟keras 〉深度学习理论，
而且深度学习的理论非常非常非常重要！！！
除此之外，
我是不觉得gpu加速能帮助多少一个人学习DL的速度加快。
要学DL就该学DL的理论，
DL的理论不只要人聪明，还要大量时间，
写好model后，就丢给底下的人去测试，
学DL不要把时间花在建环境上。
学DL不要把时间花在建环境上。
学DL不要把时间花在建环境上。
除非你像我一样这么苦命，
整个系上没人会python,懂linux操作。
(修改)纯CPU不适合:
用DL工作的人，
有人处理算法，自己只负责测试的人，
用CPU处理的时间超过可接受的时间的人
(我的话，train的上限大概是10~14天，因为要做报告)
~~~
我推荐的DL学习最低建议:
I3,I5
(I7有点~不是那么必要。)
32GB以上内存
(我目前试过约8个model,有两个会用超过14GB内存，因为是在虚拟机内所以是14G不是16G
SSD
(这个看个人，因为我的数据经常要自己挑出来需要的，1万多张300KB图片用arc100都要好几分钟才能读完缩图)
显卡:看看口袋多深买多贵，我只有朋友送的两张K600。
~~~
对了，用CPU还有个好处，
可以跟Boss说东西还在跑，
进度报告先跳过我。
(deadline快到的人不适用)
~~~(新增:有错请指教)
在windows上装anaconda
建置GPU加速环境应该是最简便的，
但我还没试。
新手在Ubuntu 搞NV-GPU加速是在自虐，
不过有不少Library在windows上会很难搞。