若是你的Mac不自帶NVIDIA的獨立顯卡（例如15寸如下或者17年新款的Macbook。具體能夠在「關於本機->系統報告->圖形卡／顯示器」裏查看），那麼你可能沒法在這臺Mac上使用GPU訓練深度學習模型。不過這並不值得遺憾。事實上，我在本身的Macbook上（15-inch，Early 2013，NVIDIA GeForce GT 650M 1024 MB）作了一個簡單的測試：在mnist數據集上訓練CNN模型時，GPU模式相對於CPU模式僅節省了1/3的時間。這可能要歸咎於Mac上贏弱的顯卡。相比之下，我更推薦購買一臺有着強勁性能的顯卡的PC本（好比某些遊戲本）來搭建深度學習的開發環境，或者是直接租賃AWS的Instance服務。html
下面步入正題。python
安裝GPU開發環境
幾乎全部的主流深度學習框架在使用GPU進行模型訓練時都依賴於兩個底層環境：CUDA和cuDNN。前者是一個使用GPU進行並行計算的平臺，後者是一個封裝了使用GPU加速神經網絡計算的library。git
安裝CUDA
-
確保你的顯卡被CUDA所兼容。前往CUDA-capable GPU檢查可用的顯卡型號。github
-
接下來，安裝xcode（經過App Store）和命令行工具：
xcode-select --install。這一步會自動安裝clang編譯器，能夠在命令行裏輸入：/usr/bin/cc --version進行驗證。
clang編譯器也是安裝Theano的預備環境之一。shell -
前往官網下載並安裝CUDA8.0（dmg安裝包）。注意選擇相應的平臺。這一步會同時安裝CUDA driver和CUDA toolkit。macos
-
配置環境變量。打開
~/.bash_profile，輸入四行命令：jsonexport CUDA_ROOT=/Developer/NVIDIA/CUDA-8.0 export PATH=$CUDA_ROOT/bin${PATH:+:${PATH}} export DYLD_LIBRARY_PATH=$CUDA_ROOT/lib${DYLD_LIBRARY_PATH:+:${DYLD_LIBRARY_PATH}} export LD_LIBRARY_PATH=$CUDA_ROOT/lib:$LD_LIBRARY_PATH其中，環境變量CUDA_ROOT給Theano指定了CUDA的安裝目錄，也能夠被設置爲
/usr/local/cuda（這兩個路徑下的文件均經過軟連接被link到了一塊兒）。後端配置完成後，退出編輯器，
source ~/.bash_profile並執行nvcc -V驗證CUDA的安裝是否正常。xcode
安裝cuDNN
-
前往官網下載cuDNN壓縮包。注意選擇合適的平臺。我下載的是cuDNN5.1 for CUDA8.0（截止到17年4月，Theano尚不支持cuDNN6.0）。bash
-
解壓縮下載的文件，將
include目錄下的*.h文件複製到$CUDA_ROOT/include目錄下；將lib目錄下的*.so文件複製到$CUDA_ROOT/lib目錄下。
至此，完成了GPU開發環境的基本部署。
安裝Theano
Theano的安裝極其簡單：
-
首先，前往Miniconda安裝Conda
-
使用Conda安裝第三方依賴（「<>」裏爲可選包）：
shell conda install numpy scipy mkl <nose> <sphinx> <pydot-ng>
-
使用Conda安裝Theano（若是出現網絡鏈接異常，也可使用pip進行安裝。參見官網安裝指南）：
conda install theano pygpu
安裝Keras
Keras是一個創建在Theano和TensorFlow基礎上，封裝了大量底層接口，方便研究人員快速搭建模型原型的深度學習開發框架。它提供了pip和從源碼直接安裝兩種方式。
使用pip安裝：
sudo pip install keras
從源碼直接安裝：
git clone https://github.com/fchollet/keras.git cd keras sudo python setup.py install
Keras默認以TensorFlow爲底層計算引擎。第一次執行import keras命令後，會生成~/.keras/keras.json文件。打開這個文件，將"backend": "tensorflow"修改成"backend": "theano"，即完成了後端計算引擎到Theano的切換。
至此，一個基本的深度學習開發環境已搭建完成。重啓電腦以確保全部配置均已生效。
環境測試
咱們能夠運行一些demo來測試環境的安裝是否正常。
從Github上下載Keras的源碼，進入examples子目錄，輸入命令：
THEANO_FLAGS=mode=FAST_RUN python mnist_cnn.py
該命令將以CPU模式在mnist數據集上訓練CNN模型。
輸入命令：
THEANO_FLAGS='mode=FAST_RUN,device=cuda,floatX=float32,optimizer_including=cudnn' python mnist_cnn.py
該命令將以GPU模式（並使用cudnn加速）在mnist數據集上訓練CNN模型。
若是一切正常，你將看到相似下圖的屏幕輸出：
我在本身的Macbbok Pro（15寸，13年初，GT 650M的1024MB顯卡）上分別測試了CPU，GPU，GPU with cuDNN三種模式下CNN模型（mnist數據集）的訓練性能，其結果以下（單位：秒）：
出乎意料的是，若是沒有cuDNN的加速，Mac上GPU的計算性能遠不如CPU！而即使使用了cuDNN的加速，模型的訓練也只不過縮短了1/3的時間。所以，若是想認真地玩一玩深度學習模型，仍是建議上高性能的顯卡，或者直接用AWS的GPU服務吧！