这里需要说明一下，笔者不建议在Windows环境下进行深度学习的研究，一方面是因为Windows所对应的框架搭建的依赖过多，社区设定不完全；另一方面，Linux系统下对显卡支持、内存释放以及存储空间调整等硬件功能支持较好。如果您对Linux环境感到陌生，并且大多数开发环境在Windows下更方便操作的话，希望这篇文章对您会有帮助。
关于计算机的硬件配置说明
推荐配置
如果您是高校学生或者高级研究人员，并且实验室或者个人资金充沛，建议您采用如下配置：
- 主板：X299型号或Z270型号
- CPU: i7-6950X或i7-7700K 及其以上高级型号
- 内存：品牌内存，总容量32G以上，根据主板组成4通道或8通道
- SSD： 品牌固态硬盘，容量256G以上
- 显卡：NVIDIA GTX TITAN(XP) NVIDIA GTX 1080ti、NVIDIA GTX TITAN、NVIDIA GTX 1080、NVIDIA GTX 1070、NVIDIA GTX 1060 (顺序为优先建议，并且建议同一显卡，可以根据主板插槽数量购买多块，例如X299型号主板最多可以采用×4的显卡)
- 电源：由主机机容量的确定，一般有显卡总容量后再加200W即可
最低配置
如果您是仅仅用于自学或代码调试，亦或是条件所限仅采用自己现有的设备进行开发，那么您的电脑至少满足以下几点：
CPU说明
- 大多数CPU目前支持多核多线程，那么如果您采用CPU加速，就可以使用多线程运算。这方面的优势对于服务器CPU志强系列尤为关键
显卡说明
- 如果您的显卡是非NVIDIA公司的产品或是NVIDIA GTX系列中型号的第一个数字低于6或NVIDIA的GT系列，都不建议您采用此类显卡进行加速计算，例如
NVIDIA GT 910、NVIDIA GTX 460等等。 - 如果您的显卡为笔记本上的GTX移动显卡（型号后面带有标识M），那么请您慎重使用显卡加速，因为移动版GPU容易发生过热烧毁现象。
- 如果您的显卡，显示的是诸如
HD5000,ATI 5650等类型的显卡，那么您只能使用CPU加速 - 如果您的显卡芯片为Pascal架构（
NVIDIA GTX 1080,NVIDIA GTX 1070等），您只能在之后的配置中选择CUDA 8.0
基本开发环境搭建
1. Microsoft Windows 版本
关于Windows的版本选择，本人强烈建议对于部分高性能的新机器采用Windows 10作为基础环境，部分老旧笔记本或低性能机器采用Windows 7即可，本文环境将以Windows 10作为开发环境进行描述。对于Windows 10的发行版本选择，笔者建议采用Windows_10_enterprise_2016_ltsb_x64作为基础环境。
这里推荐到MSDN我告诉你下载，也感谢作者国内优秀作者雪龙狼前辈所做出的贡献与牺牲。
直接贴出热链，复制粘贴迅雷下载：
ed2k://|file|cn_windows_10_enterprise_2016_ltsb_x64_dvd_9060409.iso|3821895680|FF17FF2D5919E3A560151BBC11C399D1|/
2. 编译环境Microsoft Visual Studio 2015 Update 3
(安装CPU版本非必须安装)
CUDA编译器为Microsoft Visual Studio，版本从2010-2015，cuda8.0仅支持2015版本，暂不支持VS2017，本文采用Visual Studio 2015 Update 3。
同样直接贴出迅雷热链：
ed2k://|file|cn_visual_studio_professional_2015_with_update_3_x86_x64_dvd_8923256.iso|7745202176|DD35D3D169D553224BE5FB44E074ED5E|/
3. Python环境
python环境建设推荐使用科学计算集成python发行版Anaconda，Anaconda是Python众多发行版中非常适用于科学计算的版本，里面已经集成了很多优秀的科学计算Python库。
建议安装Anconda3 4.2.0版本，目前新出的python3.6存在部分不兼容问题，所以建议安装历史版本4.2.0
注意：windows版本下的tensorflow暂时不支持python2.7
下载地址： Anaconda
4. CUDA
(安装CPU版本非必须安装)
CUDA Toolkit是NVIDIA公司面向GPU编程提供的基础工具包，也是驱动显卡计算的核心技术工具。
直接安装CUDA8.0即可
下载地址：https://developer.nvidia.com/cuda-downloads
在下载之后，按照步骤安装，不建议新手修改安装目录，同上，环境不需要配置，安装程序会自动配置好。
6. 加速库CuDNN
从官网下载需要注册 Nvidia 开发者账号，网盘搜索一般也能找到。
Windows目前最新版v6.0，但是keras尚未支持此版本，请下载v5.1版本，即 cudnn-8.0-win-x64-v5.1.zip。
下载解压出来是名为cuda的文件夹，里面有bin、include、lib，将三个文件夹复制到安装CUDA的地方覆盖对应文件夹，默认文件夹在：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\8.0
Keras 框架搭建
安装
在CMD命令行或者Powershell中输入：
# GPU 版本
>>> pip install --upgrade tensorflow-gpu
# CPU 版本
>>> pip install --upgrade tensorflow
# Keras 安装
>>> pip install keras -U --pre
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
Using Tensorflow backend.
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library cublas64_80.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library cudnn64_5.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library cufft64_80.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library nvcuda.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library curand64_80.dll locally
>>>
没有报错，那么Keras就已经成功安装了
- Keras中mnist数据集测试
下载Keras开发包
>>> conda install git
>>> git clone https://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。