Apache MXNet - 安装 MXNet

要开始使用 MXNet，我们需要做的第一件事就是将其安装在我们的计算机上。Apache MXNet 适用于几乎所有可用平台，包括 Windows、Mac 和 Linux。

Linux操作系统

我们可以通过以下方式在 Linux 操作系统上安装 MXNet -

图形处理单元 (GPU)

在这里，当我们使用 GPU 进行处理时，我们将使用各种方法，即 Pip、Docker 和 Source 来安装 MXNet -

通过使用点值法

您可以使用以下命令在 Linus 操作系统上安装 MXNet -

pip install mxnet

Apache MXNet 还提供 MKL pip 软件包，在英特尔硬件上运行时速度要快得多。例如，mxnet-cu101mkl意味着 -

该软件包是使用 CUDA/cuDNN 构建的
该软件包启用了 MKL-DNN
CUDA版本是10.1

对于其他选项，您还可以参考https://pypi.org/project/mxnet/。

通过使用 Docker

您可以在 DockerHub 上找到带有 MXNet 的 docker 镜像，网址为https://hub.docker.com/u/mxnet让我们看看下面的步骤，通过使用带有 GPU 的 Docker 来安装 MXNet -

步骤 1 - 首先，按照https://docs.docker.com/engine/install/ubuntu/上提供的 docker 安装说明进行操作。我们需要在我们的机器上安装 Docker。

步骤 2 - 要从 docker 容器使用 GPU，接下来我们需要安装 nvidia-docker-plugin。您可以按照https://github.com/NVIDIA/nvidia-docker/wiki上给出的安装说明进行操作。

步骤 3 - 通过使用以下命令，您可以拉取 MXNet docker 映像 -

$ sudo docker pull mxnet/python:gpu

现在为了查看 mxnet/python docker 镜像拉取是否成功，我们可以列出 docker 镜像，如下所示 -

$ sudo docker images

为了通过 MXNet 获得最快的推理速度，建议使用带有 Intel MKL-DNN 的最新 MXNet。检查下面的命令 -

$ sudo docker pull mxnet/python:1.3.0_cpu_mkl
$ sudo docker images

从源头

要使用 GPU 从源代码构建 MXNet 共享库，首先我们需要设置 CUDA 和 cuDNN 的环境，如下所示：

下载并安装CUDA工具包，这里推荐使用CUDA 9.2。
接下来下载cuDNN 7.1.4。
现在我们需要解压缩该文件。还需要更改为 cuDNN 根目录。还将标头和库移动到本地 CUDA Toolkit 文件夹，如下所示 -

tar xvzf cudnn-9.2-linux-x64-v7.1
sudo cp -P cuda/include/cudnn.h /usr/local/cuda/include
sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
sudo ldconfig

设置 CUDA 和 cuDNN 的环境后，请按照以下步骤从源代码构建 MXNet 共享库 -

步骤 1 - 首先，我们需要安装必备包。Ubuntu 版本 16.04 或更高版本需要这些依赖项。

sudo apt-get update
sudo apt-get install -y build-essential git ninja-build ccache libopenblas-dev 
libopencv-dev cmake

步骤 2 - 在此步骤中，我们将下载 MXNet 源并进行配置。首先让我们使用以下命令克隆存储库 -

git clone –recursive https://github.com/apache/incubator-mxnet.git mxnet
cd mxnet
cp config/linux_gpu.cmake #for build with CUDA

步骤 3 - 通过使用以下命令，您可以构建 MXNet 核心共享库 -

rm -rf build
mkdir -p build && cd build
cmake -GNinja ..
cmake --build .

关于上述步骤的两个要点如下：

如果您想构建调试版本，请指定如下 -

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

为了设置并行编译作业的数量，请指定以下内容 -

cmake --build . --parallel N

成功构建 MXNet 核心共享库后，在MXNet 项目根目录的构建文件夹中，您将找到安装语言绑定（可选）所需的libmxnet.so 。

中央处理器（CPU）

在这里，当我们使用 CPU 进行处理时，我们将使用各种方法，即 Pip、Docker 和 Source 来安装 MXNet -

通过使用点值法

您可以使用以下命令在 Linus 操作系统上安装 MXNet：

pip install mxnet

Apache MXNet 还提供支持 MKL-DNN 的 pip 包，在英特尔硬件上运行时速度要快得多。

pip install mxnet-mkl

通过使用 Docker

您可以在 DockerHub 上找到带有 MXNet 的 docker 镜像，该镜像位于https://hub.docker.com/u/mxnet。让我们看看下面使用 Docker 和 CPU 安装 MXNet 的步骤 -

步骤 1 - 首先，按照https://docs.docker.com/engine/install/ubuntu/上提供的 docker 安装说明进行操作。我们需要在我们的机器上安装 Docker。

步骤 2 - 通过使用以下命令，您可以拉取 MXNet docker 映像：

$ sudo docker pull mxnet/python

现在，为了查看 mxnet/python docker 镜像拉取是否成功，我们可以列出 docker 镜像，如下所示 -

$ sudo docker images

为了通过 MXNet 获得最快的推理速度，建议使用带有 Intel MKL-DNN 的最新 MXNet。

检查下面的命令 -

$ sudo docker pull mxnet/python:1.3.0_cpu_mkl
$ sudo docker images

从源头

要使用 CPU 从源代码构建 MXNet 共享库，请按照以下步骤操作 -

步骤 1 - 首先，我们需要安装必备包。Ubuntu 版本 16.04 或更高版本需要这些依赖项。

sudo apt-get update

sudo apt-get install -y build-essential git ninja-build ccache libopenblas-dev libopencv-dev cmake

步骤 2 - 在此步骤中，我们将下载 MXNet 源并进行配置。首先让我们使用以下命令克隆存储库：

git clone –recursive https://github.com/apache/incubator-mxnet.git mxnet

cd mxnet
cp config/linux.cmake config.cmake

步骤 3 - 通过使用以下命令，您可以构建 MXNet 核心共享库：

rm -rf build
mkdir -p build && cd build
cmake -GNinja ..
cmake --build .

关于上述步骤的两个要点如下：

如果要构建调试版本，请指定如下：

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

为了设置并行编译作业的数量，请指定以下内容 -

cmake --build . --parallel N

成功构建 MXNet 核心共享库后，在MXNet 项目根目录的构建文件夹中，您将找到 libmxnet.so，这是安装语言绑定所需的（可选）。

MacOS

我们可以通过以下方式在 MacOS 上安装 MXNet：

图形处理单元 (GPU)

如果您计划使用 GPU 在 MacOS 上构建 MXNet，则没有可用的 Pip 和 Docker 方法。在这种情况下，唯一的方法是从源代码构建它。

从源头

要使用 GPU 从源代码构建 MXNet 共享库，首先我们需要设置 CUDA 和 cuDNN 的环境。对于 mac OS，您需要遵循NVIDIA CUDA 安装指南（可从https://docs.nvidia.com获取）和cuDNN 安装指南（可从https://docs.nvidia.com/deeplearning获取）。

请注意，2019 年 CUDA 停止支持 macOS。事实上，未来版本的 CUDA 也可能不支持 macOS。

设置 CUDA 和 cuDNN 的环境后，请按照以下步骤在 OS X (Mac) 上从源代码安装 MXNet -

步骤 1 - 由于我们需要 OS x 上的一些依赖项，因此首先我们需要安装必备软件包。

xcode-select –-install #Install OS X Developer Tools

/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)" #Install Homebrew

brew install cmake ninja ccache opencv # Install dependencies

我们也可以在没有 OpenCV 的情况下构建 MXNet，因为 opencv 是一个可选依赖项。

步骤 2 - 在此步骤中，我们将下载 MXNet 源并进行配置。首先让我们使用以下命令克隆存储库 -

git clone –-recursive https://github.com/apache/incubator-mxnet.git mxnet

cd mxnet
cp config/linux.cmake config.cmake

对于启用 GPU 的设备，必须首先安装 CUDA 依赖项，因为当尝试在没有 GPU 的计算机上构建启用 GPU 的版本时，MXNet 版本无法自动检测您的 GPU 架构。在这种情况下，MXNet 将针对所有可用的 GPU 架构。

步骤 3 - 通过使用以下命令，您可以构建 MXNet 核心共享库 -

rm -rf build
mkdir -p build && cd build
cmake -GNinja ..
cmake --build .

关于上述步骤的两个要点如下：

如果您想构建调试版本，请指定如下 -

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

为了设置并行编译作业的数量，请指定以下内容：

cmake --build . --parallel N

成功构建 MXNet 核心共享库后，在MXNet 项目根目录的构建文件夹中，您将找到libmxnet.dylib，这是安装语言绑定所需的（可选）。

中央处理器（CPU）

在这里，当我们使用 CPU 进行处理时，我们将使用各种方法，即 Pip、Docker 和 Source 来安装 MXNet -

通过使用点值法

您可以使用以下命令在 Linus 操作系统上安装 MXNet

pip install mxnet

通过使用 Docker

您可以在 DockerHub 上找到带有 MXNet 的 docker 镜像，该镜像位于https://hub.docker.com/u/mxnet。让我们看看下面使用 Docker 和 CPU 安装 MXNet 的步骤：

步骤 1 - 首先，按照https://docs.docker.com/docker-for-mac上提供的docker 安装说明进行操作，我们需要在我们的计算机上安装 Docker。

步骤 2 - 通过使用以下命令，您可以拉取 MXNet docker 镜像 -

$ docker pull mxnet/python

现在为了查看 mxnet/python docker 镜像拉取是否成功，我们可以列出 docker 镜像，如下所示：

$ docker images

为了通过 MXNet 获得最快的推理速度，建议使用带有 Intel MKL-DNN 的最新 MXNet。检查下面的命令 -

$ docker pull mxnet/python:1.3.0_cpu_mkl
$ docker images

从源头

按照下面给出的步骤在 OS X (Mac) 上从源代码安装 MXNet -

步骤 1 - 由于我们需要 OS x 上的一些依赖项，因此首先我们需要安装必备软件包。

xcode-select –-install #Install OS X Developer Tools
/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)" #Install Homebrew
brew install cmake ninja ccache opencv # Install dependencies

我们也可以在没有 OpenCV 的情况下构建 MXNet，因为 opencv 是一个可选依赖项。

步骤 2 - 在此步骤中，我们将下载 MXNet 源并进行配置。首先，让我们使用以下命令克隆存储库 -

git clone –-recursive https://github.com/apache/incubator-mxnet.git mxnet

cd mxnet

cp config/linux.cmake config.cmake

步骤 3 - 通过使用以下命令，您可以构建 MXNet 核心共享库：

rm -rf build
mkdir -p build && cd build
cmake -GNinja ..
cmake --build .

关于上述步骤的两个要点如下：

如果您想构建调试版本，请指定如下 -

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

为了设置并行编译作业的数量，请指定以下内容 -

cmake --build . --parallel N

成功构建 MXNet 核心共享库后，在MXNet 项目根目录的构建文件夹中，您将找到libmxnet.dylib，这是安装语言绑定所需的（可选）。

Windows操作系统

要在 Windows 上安装 MXNet，以下是先决条件 -

最低系统要求

Windows 7、10、服务器 2012 R2 或服务器 2016
Visual Studio 2015 或 2017（任何类型）
Python 2.7 或 3.6
点

图形处理单元 (GPU)

通过使用 Pip 方法−

如果您计划使用 NVIDIA GPU 在 Windows 上构建 MXNet，有两种选择可以使用 Python 包安装具有 CUDA 支持的 MXNet：

安装 CUDA 支持

以下是我们可以使用 CUDA 设置 MXNet 的步骤。

步骤 1 - 首先安装 Microsoft Visual Studio 2017 或 Microsoft Visual Studio 2015。

步骤 2 - 接下来，下载并安装 NVIDIA CUDA。建议使用 CUDA 版本 9.2 或 9.0，因为过去已发现 CUDA 9.1 的一些问题。

步骤 3 - 现在，下载并安装 NVIDIA_CUDA_DNN。

步骤 4 - 最后，通过使用以下 pip 命令，安装带有 CUDA 的 MXNet -

pip install mxnet-cu92

安装 CUDA 和 MKL 支持

以下是我们可以使用 CUDA 和 MKL 设置 MXNet 的步骤。

步骤 1 - 首先安装 Microsoft Visual Studio 2017 或 Microsoft Visual Studio 2015。

步骤 2 - 接下来，下载并安装 intel MKL

步骤 3 - 现在，下载并安装 NVIDIA CUDA。

步骤 4 - 现在，下载并安装 NVIDIA_CUDA_DNN。

步骤 5 - 最后，通过使用以下 pip 命令，使用 MKL 安装 MXNet。

pip install mxnet-cu92mkl

从源头

要使用 GPU 从源代码构建 MXNet 核心库，我们有以下两个选项 -

选项 1− 使用 Microsoft Visual Studio 2017 构建

为了使用 Microsoft Visual Studio 2017 自行构建和安装 MXNet，您需要以下依赖项。

安装/更新 Microsoft Visual Studio。

如果您的计算机上尚未安装 Microsoft Visual Studio，请首先下载并安装它。
它会提示安装 Git。也安装一下吧。
如果您的计算机上已安装 Microsoft Visual Studio，但您想要更新它，请继续执行下一步以修改您的安装。在这里您还将有机会更新 Microsoft Visual Studio。

按照打开https://docs.microsoft.com/en-us上提供的 Visual Studio 安装程序的说明来修改各个组件。

在 Visual Studio 安装程序应用程序中，根据需要进行更新。之后查找并选中VC++ 2017 版本 15.4 v14.11 工具集，然后单击修改。

现在使用以下命令，将 Microsoft VS2017 的版本更改为 v14.11−

"C:\Program Files (x86)\Microsoft Visual Studio\2017\Community\VC\Auxiliary\Build\vcvars64.bat" -vcvars_ver=14.11

接下来，您需要在https://cmake.org/download/下载并安装CMake。建议使用https://cmake.org/download/上提供的CMake v3.12.2，因为它是使用 MXNet 进行测试的。

现在，下载并运行https://sourceforge.net/projects/opencvlibrary/上提供的OpenCV包，这将解压缩多个文件。是否要将它们放在另一个目录中取决于您。在这里，我们将使用路径C:\utils(mkdir C:\utils)作为默认路径。

接下来，我们需要设置环境变量 OpenCV_DIR 以指向我们刚刚解压的 OpenCV 构建目录。对于此打开命令提示符并输入set OpenCV_DIR=C:\utils\opencv\build。

重要的一点是，如果您没有安装英特尔 MKL（数学内核库），您可以安装它。

您可以使用的另一个开源包是OpenBLAS。为了获得进一步的说明，我们假设您正在使用OpenBLAS。

因此，下载https://sourceforge.net上提供的OpenBlas软件包并解压缩该文件，将其重命名为OpenBLAS并将其放在C:\utils下。

接下来，我们需要设置环境变量OpenBLAS_HOME以指向包含include和lib目录的 OpenBLAS 目录。对于此打开命令提示符并输入set OpenBLAS_HOME=C:\utils\OpenBLAS。

现在，下载并安装https://developer.nvidia.com上提供的 CUDA 。请注意，如果您已经有 CUDA，然后安装了 Microsoft VS2017，则现在需要重新安装 CUDA，以便获得用于 Microsoft VS2017 集成的 CUDA 工具包组件。

接下来，您需要下载并安装 cuDNN。

接下来，您还需要下载并安装 git，地址为https://gitforwindows.org/。

安装完所有必需的依赖项后，请按照下面给出的步骤构建 MXNet 源代码 -

步骤 1 - 在 Windows 中打开命令提示符。

步骤 2 - 现在，通过使用以下命令，从 GitHub 下载 MXNet 源代码：

cd C:\

git clone https://github.com/apache/incubator-mxnet.git --recursive

步骤 3 - 接下来，验证以下内容 -

DCUDNN_INCLUDE 和 DCUDNN_LIBRARY环境变量指向CUDA 安装位置的include文件夹和cudnn.lib文件

C:\incubator-mxnet是您在上一步中刚刚克隆的源代码的位置。

步骤 4 - 接下来使用以下命令创建一个构建目录并转到该目录，例如 -

mkdir C:\incubator-mxnet\build
cd C:\incubator-mxnet\build

步骤 5 - 现在，通过使用 cmake，编译 MXNet 源代码，如下所示 -

cmake -G "Visual Studio 15 2017 Win64" -T cuda=9.2,host=x64 -DUSE_CUDA=1 -DUSE_CUDNN=1 -DUSE_NVRTC=1 -DUSE_OPENCV=1 -DUSE_OPENMP=1 -DUSE_BLAS=open -DUSE_LAPACK=1 -DUSE_DIST_KVSTORE=0 -DCUDA_ARCH_LIST=Common -DCUDA_TOOLSET=9.2 -DCUDNN_INCLUDE=C:\cuda\include -DCUDNN_LIBRARY=C:\cuda\lib\x64\cudnn.lib "C:\incubator-mxnet"

步骤 6 - CMake 成功完成后，使用以下命令编译 MXNet 源代码 -

msbuild mxnet.sln /p:Configuration=Release;Platform=x64 /maxcpucount

选项 2：使用 Microsoft Visual Studio 2015 进行构建

为了使用 Microsoft Visual Studio 2015 自行构建和安装 MXNet，您需要以下依赖项。

安装/更新 Microsoft Visual Studio 2015。从源代码构建 MXnet 的最低要求是 Microsoft Visual Studio 2015 的 Update 3。您可以使用工具 -> 扩展和更新... | 产品更新菜单可对其进行升级。

接下来，您需要下载并安装CMake ，可从https://cmake.org/download/获取。建议使用CMake v3.12.2（位于https://cmake.org/download/），因为它是使用 MXNet 进行测试的。

现在，下载并运行https://excellmedia.dl.sourceforge.net上提供的 OpenCV 包，这将解压缩多个文件。是否要将它们放在另一个目录中取决于您。

接下来，我们需要设置环境变量OpenCV_DIR以指向我们刚刚解压的OpenCV构建目录。为此，打开命令提示符并输入 set OpenCV_DIR=C:\opencv\build\x64\vc14\bin。

重要的一点是，如果您没有安装英特尔 MKL（数学内核库），您可以安装它。

您可以使用的另一个开源包是OpenBLAS。为了获得进一步的说明，我们假设您正在使用OpenBLAS。

因此，下载https://excellmedia.dl.sourceforge.net上提供的OpenBLAS软件包并解压缩该文件，将其重命名为 OpenBLAS 并将其放在 C:\utils 下。

接下来，我们需要设置环境变量 OpenBLAS_HOME 以指向包含 include 和 lib 目录的 OpenBLAS 目录。您可以在C:\Program files (x86)\OpenBLAS\中找到该目录

请注意，如果您已经有 CUDA，然后安装了 Microsoft VS2015，则需要立即重新安装 CUDA，以便获得用于 Microsoft VS2017 集成的 CUDA 工具包组件。

接下来，您需要下载并安装 cuDNN。

现在，我们需要设置环境变量 CUDACXX 指向CUDA 编译器（例如 C:\Program Files\NVIDIA GPU Compute Toolkit\CUDA\v9.1\bin\nvcc.exe）。

同样，我们还需要设置环境变量CUDNN_ROOT指向包含include、lib和bin目录的cuDNN目录（例如C:\Downloads\cudnn-9.1-windows7-x64-v7\cuda ）。

安装完所有必需的依赖项后，请按照下面给出的步骤构建 MXNet 源代码 -

步骤 1 - 首先，从 GitHub 下载 MXNet 源代码 -

cd C:\
git clone https://github.com/apache/incubator-mxnet.git --recursive

步骤 2 - 接下来，使用 CMake 在 ./build 中创建 Visual Studio。

步骤 3 - 现在，在 Visual Studio 中，我们需要打开解决方案文件.sln并编译它。这些命令将在./build/Release/ 或 ./build/Debug文件夹中生成一个名为mxnet.dll的库

步骤 4 - CMake 成功完成后，使用以下命令编译 MXNet 源代码

msbuild mxnet.sln /p:Configuration=Release;Platform=x64 /maxcpucount

中央处理器（CPU）

在这里，当我们使用 CPU 进行处理时，我们将使用各种方法，即 Pip、Docker 和 Source 来安装 MXNet -

通过使用点值法

如果您计划使用 CPU 在 Windows 上构建 MXNet，则有两种使用 Python 包安装 MXNet 的选项 -

与CPU一起安装

使用以下命令通过 Python 安装带有 CPU 的 MXNet -

pip install mxnet

安装 Intel CPU

如上所述，MXNet 对 Intel MKL 和 MKL-DNN 提供实验性支持。使用以下命令通过 Python 安装带有 Intel CPU 的 MXNet -

pip install mxnet-mkl

通过使用 Docker

您可以在DockerHub找到带有 MXNet 的 docker 镜像，网址为https://hub.docker.com/u/mxnet让我们看看下面的步骤，通过使用带有 CPU 的 Docker 来安装 MXNet：

步骤 1 - 首先，按照 docker 安装说明进行操作，可以在https://docs.docker.com/docker-for-mac/install阅读。我们需要在我们的机器上安装 Docker。

步骤 2 - 通过使用以下命令，您可以拉取 MXNet docker 镜像 -

$ docker pull mxnet/python

现在为了查看 mxnet/python docker 镜像拉取是否成功，我们可以列出 docker 镜像，如下所示：

$ docker images

为了通过 MXNet 获得最快的推理速度，建议使用带有 Intel MKL-DNN 的最新 MXNet。

检查下面的命令 -

$ docker pull mxnet/python:1.3.0_cpu_mkl
$ docker images

在云和设备上安装 MXNet

本节重点介绍如何在云和设备上安装 Apache MXNet。让我们首先了解如何在云上安装 MXNet。

在云上安装 MXNet

您还可以在多个具有图形处理单元 (GPU)支持的云提供商上获取 Apache MXNet 。您可以找到的另外两种支持如下：

GPU/CPU 混合支持可扩展推理等用例。
AWS Elastic Inference 的阶乘 GPU 支持。

以下是为 Apache MXNet 提供不同虚拟机的 GPU 支持的云提供商：

阿里巴巴控制台

您可以使用阿里巴巴控制台创建https://docs.nvidia.com/ngc上提供的NVIDIA GPU 云虚拟机 (VM)并使用 Apache MXNet。

亚马逊网络服务

它还提供 GPU 支持并为 Apache MXNet 提供以下服务：

亚马逊 SageMaker

它管理 Apache MXNet 模型的训练和部署。

AWS 深度学习 AMI

它为 Python 2 和 Python 3 提供预安装的 Conda 环境，包括 Apache MXNet、CUDA、cuDNN、MKL-DNN 和 AWS Elastic Inference。

AWS 上的动态训练

它提供实验性手动 EC2 设置以及半自动 CloudFormation 设置的培训。

您可以将https://aws.amazon.com上提供的NVIDIA VM与 Amazon Web 服务结合使用。

谷歌云平台

Google 还提供NVIDIA GPU 云映像，可在https://console.cloud.google.com上使用该映像来与 Apache MXNet 配合使用。

微软Azure

Microsoft Azure Marketplace 还在https://azuremarketplace.microsoft.com上提供了NVIDIA GPU 云映像，以便与 Apache MXNet 配合使用。

甲骨文云

Oracle 还在https://docs.cloud.oracle.com上提供了NVIDIA GPU 云映像，以便与 Apache MXNet 配合使用。

中央处理器（CPU）

Apache MXNet 适用于每个云提供商的纯 CPU 实例。有多种安装方法，例如：

Python pip 安装说明。
Docker 指令。
预装选项，如 Amazon Web Services，它提供 AWS Deep Learning AMI（预装了适用于 Python 2 和 Python 3 的 Conda 环境以及 MXNet 和 MKL-DNN）。

在设备上安装 MXNet

让我们学习如何在设备上安装 MXNet。

树莓派

您还可以在 Raspberry Pi 3B 设备上运行 Apache MXNet，因为 MXNet 还支持基于 Respbian ARM 的操作系统。为了在 Raspberry Pi3 上顺利运行 MXNet，建议设备具有 1 GB 以上 RAM 和至少 4 GB 可用空间的 SD 卡。

以下是您可以为 Raspberry Pi 构建 MXNet 并为库安装 Python 绑定的方法 -

快速安装

预构建的 Python 轮可在带有 Stretch 的 Raspberry Pi 3B 上使用，以便快速安装。此方法的重要问题之一是，我们需要安装多个依赖项才能使 Apache MXNet 正常工作。

Docker安装

您可以按照https://docs.docker.com/engine/install/ubuntu/上的 docker 安装说明在您的计算机上安装 Docker。为此，我们还可以安装和使用社区版（CE）。

本机构建（来自源代码）

为了从源代码安装 MXNet，我们需要遵循以下两个步骤：

步骤1

从 Apache MXNet C++ 源代码构建共享库

要在 Raspberry 版本 Wheezy 及更高版本上构建共享库，我们需要以下依赖项：

Git - 需要从 GitHub 提取代码。
Libblas - 线性代数运算所需。
Libopencv - 计算机视觉相关操作所需。但是，如果您想节省 RAM 和磁盘空间，则可以选择此选项。
C++ 编译器- 需要编译和构建 MXNet 源代码。以下是支持 C++ 11 的编译器：
- G++（4.8或更高版本）
- 铿锵(3.9-6)

使用以下命令安装上述依赖项 -

sudo apt-get update
sudo apt-get -y install git cmake ninja-build build-essential g++-4.9 c++-4.9 liblapack*
libblas* libopencv*
libopenblas* python3-dev python-dev virtualenv

接下来，我们需要克隆 MXNet 源代码存储库。为此，请在主目录中使用以下 git 命令 -

git clone https://github.com/apache/incubator-mxnet.git --recursive

cd incubator-mxnet

现在，借助以下命令，构建共享库：

mkdir -p build && cd build
cmake \
-DUSE_SSE=OFF \
-DUSE_CUDA=OFF \
-DUSE_OPENCV=ON \
-DUSE_OPENMP=ON \
-DUSE_MKL_IF_AVAILABLE=OFF \
-DUSE_SIGNAL_HANDLER=ON \

-DCMAKE_BUILD_TYPE=Release \
-GNinja ..
ninja -j$(nproc)

执行上述命令后，它将开始构建过程，该过程需要几个小时才能完成。您将在构建目录中获得一个名为libmxnet.so的文件。

第2步

安装 Apache MXNet 支持的特定语言包

在此步骤中，我们将安装 MXNet Pythin 绑定。为此，我们需要在 MXNet 目录中运行以下命令 -

cd python
pip install --upgrade pip
pip install -e .

或者，使用以下命令，您还可以创建可使用pip安装的whl 包-

ci/docker/runtime_functions.sh build_wheel python/ $(realpath build)

NVIDIA Jetson 设备

您还可以在 NVIDIA Jetson 设备（例如TX2或Nano）上运行 Apache MXNet，因为 MXNet 还支持基于 Ubuntu Arch64 的操作系统。为了在 NVIDIA Jetson 设备上顺利运行 MXNet，需要在 Jetson 设备上安装 CUDA。

以下是为 NVIDIA Jetson 设备构建 MXNet 的方法：

使用 Jetson MXNet pip 轮进行 Python 开发
从源头

但是，在通过上述任何方式构建 MXNet 之前，您需要在 Jetson 设备上安装以下依赖项：

Python 依赖项

为了使用 Python API，我们需要以下依赖项 -

sudo apt update
sudo apt -y install \
   build-essential \
   git \
   graphviz \
   libatlas-base-dev \
   libopencv-dev \
   python-pip
sudo pip install --upgrade \
   pip \
   setuptools
sudo pip install \
   graphviz==0.8.4 \
   jupyter \
   numpy==1.15.2

克隆 MXNet 源代码存储库

通过在主目录中使用以下 git 命令，克隆 MXNet 源代码存储库 -

git clone --recursive https://github.com/apache/incubator-mxnet.git mxnet

设置环境变量

在主目录的.profile文件中添加以下内容 -

export PATH=/usr/local/cuda/bin:$PATH
export MXNET_HOME=$HOME/mxnet/
export PYTHONPATH=$MXNET_HOME/python:$PYTHONPATH

现在，使用以下命令立即应用更改 -

source .profile

配置CUDA

在配置 CUDA 之前，使用 nvcc，您需要检查正在运行的 CUDA 版本 -

nvcc --version

假设，如果您的设备或计算机上安装了多个 CUDA 版本，并且您想要切换 CUDA 版本，请使用以下命令并将符号链接替换为您想要的版本：

sudo rm /usr/local/cuda
sudo ln -s /usr/local/cuda-10.0 /usr/local/cuda

上述命令将切换到 CUDA 10.0，该版本预装在 NVIDIA Jetson 设备Nano上。

完成上述先决条件后，您现在可以在 NVIDIA Jetson 设备上安装 MXNet。那么，让我们了解一下安装 MXNet 的方法：

通过使用 Jetson MXNet pip 轮进行 Python 开发- 如果您想使用准备好的 Python 轮，请将以下内容下载到您的 Jetson 并运行它 -

MXNet 1.4.0（适用于Python 3）可在https://docs.docker.com获取
MXNet 1.4.0（适用于Python 2）可在https://docs.docker.com获取

本机构建（来自源代码）

为了从源代码安装 MXNet，我们需要遵循以下两个步骤：

步骤1

从 Apache MXNet C++ 源代码构建共享库

要从 Apache MXNet C++ 源代码构建共享库，您可以使用 Docker 方法或手动执行 -

泊坞窗方法

在这种方法中，您首先需要安装 Docker 并且能够在没有 sudo 的情况下运行它（这也在前面的步骤中进行了解释）。完成后，运行以下命令通过 Docker 执行交叉编译 -

$MXNET_HOME/ci/build.py -p jetson

手动的

在此方法中，您需要编辑Makefile（使用以下命令）来安装带有 CUDA 绑定的 MXNet，以利用 NVIDIA Jetson 设备上的图形处理单元 (GPU)：

cp $MXNET_HOME/make/crosscompile.jetson.mk config.mk

编辑 Makefile 后，您需要编辑 config.mk 文件以对 NVIDIA Jetson 设备进行一些其他更改。

为此，请更新以下设置 -

更新 CUDA 路径：USE_CUDA_PATH = /usr/local/cuda
将 -gencode arch=compute-63, code=sm_62 添加到 CUDA_ARCH 设置。
更新 NVCC 设置：NVCCFLAGS := -m64
打开OpenCV：USE_OPENCV = 1

现在为了确保 MXNet 使用 Pascal 的硬件级低精度加速进行构建，我们需要编辑 Mshadow Makefile，如下所示：

MSHADOW_CFLAGS += -DMSHADOW_USE_PASCAL=1

最后，借助以下命令，您可以构建完整的 Apache MXNet 库 -

cd $MXNET_HOME
make -j $(nproc)

执行上述命令后，它将开始构建过程，该过程需要几个小时才能完成。您将在mxnet/lib 目录中获得一个名为libmxnet.so的文件。

第2步

安装 Apache MXNet Python 绑定

在此步骤中，我们将安装 MXNet Python 绑定。为此，我们需要在 MXNet 目录中运行以下命令 -

cd $MXNET_HOME/python
sudo pip install -e .

完成上述步骤后，您现在就可以在 NVIDIA Jetson 设备 TX2 或 Nano 上运行 MXNet。可以使用以下命令进行验证 -

import mxnet
mxnet.__version__

如果一切正常，它将返回版本号。

Apache MXNet - 安装 MXNet

Linux操作系统

图形处理单元 (GPU)

通过使用点值法

通过使用 Docker

从源头

中央处理器（CPU）

通过使用点值法

通过使用 Docker

从源头

MacOS

图形处理单元 (GPU)

从源头

中央处理器（CPU）

通过使用点值法

通过使用 Docker

从源头

Windows操作系统

最低系统要求

推荐系统要求

图形处理单元 (GPU)

通过使用 Pip 方法−

安装 CUDA 支持

安装 CUDA 和 MKL 支持

从源头

中央处理器（CPU）

通过使用点值法

通过使用 Docker

在云和设备上安装 MXNet

在云上安装 MXNet

阿里巴巴控制台

亚马逊网络服务

亚马逊 SageMaker

AWS 深度学习 AMI

AWS 上的动态训练

谷歌云平台

微软Azure

甲骨文云

中央处理器（CPU）

在设备上安装 MXNet

树莓派

快速安装

Docker安装

本机构建（来自源代码）

步骤1

第2步

NVIDIA Jetson 设备

Python 依赖项

克隆 MXNet 源代码存储库

设置环境变量

配置CUDA

本机构建（来自源代码）

步骤1

泊坞窗方法

手动的

第2步