Apache MXNet - 安装 MXNet

要开始使用 MXNet，我们需要做的第一件事就是在我们的计算机上安装它。 Apache MXNet 几乎可以在所有可用平台上运行，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 Pip 方法

您可以使用以下命令在您的 Linus 操作系统上安装 MXNet −

pip install mxnet

Apache MXNet 还提供 MKL pip 包，在英特尔硬件上运行时速度更快。例如，此处的 mxnet-cu101mkl 表示 −

该软件包使用 CUDA/cuDNN 构建
该软件包启用了 MKL-DNN
CUDA 版本为 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 让我们查看以下步骤，使用带 GPU 的 Docker 安装 MXNet −

步骤 1− 首先，按照 https://docs.docker.com/engine/install/ubuntu/ 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− 为了能够从 docker 容器中使用 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 中提供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 镜像 −

$ 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

为了使用 MXNet 实现最快的推理速度，建议使用带有 Intel MKL-DNN 的最新 MXNet。检查以下命令 −

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

从源代码

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，这里建议使用 CUDA 9.2。
接下来下载 cuDNN 7.1.4。
现在我们需要解压文件。还需要切换到 cuDNN 根目录。还要将标头和库移动到本地 CUDA 工具包文件夹，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，我们需要安装必备软件包。Ubuntu 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 源代码并进行配置。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 .

上述步骤中有两个重点−

如果要构建 Debug 版本，请指定如下−

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

要设置并行编译作业的数量，请指定如下−

cmake --build . --parallel N

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

中央处理单元 (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 Pip 方法

您可以使用以下命令在您的 Linus OS 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更快。

pip install mxnet-mkl

使用 Docker

您可以在 DockerHub 上找到带有 MXNet 的 docker 镜像，可在 https://hub.docker.com/u/mxnet 上找到。让我们查看以下步骤，使用带 CPU 的 Docker 安装 MXNet −

步骤 1− 首先，按照 docker 安装说明操作，可在 https://docs.docker.com/engine/install/ubuntu/ 上找到。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：

$ sudo docker pull mxnet/python

现在，为了查看 mxnet/python docker 镜像拉取是否成功，我们可以按如下方式列出 docker 镜像 −

$ sudo docker images

为了使用 MXNet 实现最快的推理速度，建议使用带有 Intel MKL-DNN 的最新 MXNet。

检查以下命令 −

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

从源代码

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，我们需要安装必备软件包。Ubuntu 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 源代码并进行配置。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 .

上述步骤有两个要点如下−

如果要构建Debug版本，请指定如下：

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

要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 项目根目录中的 build 文件夹中，您将找到 libmxnet.so，这是安装语言绑定（可选）所必需的。

MacOS

我们可以通过以下方式在 MacOS 上安装 MXNet−

图形处理单元 (GPU)

如果您计划在 MacOS 上使用 GPU 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。

从源代码

要从源代码构建带有 GPU 的 MXNet 共享库，首先我们需要为 CUDA 和 cuDNN 设置环境。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，适用于 mac OS）。

请注意，CUDA 于 2019 年停止支持 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− 由于我们需要在 OS x 上安装一些依赖项，因此首先，我们需要安装先决条件包。

xcode-select –-install #安装 OS X 开发人员工具

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

brew install cmake ninja ccache opencv #安装依赖项

我们也可以不使用 OpenCV 来构建 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 源代码并进行配置。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 的版本，必须首先安装 CUDA 依赖项，因为当尝试在没有 GPU 的机器上构建启用 GPU 的版本时，MXNet 构建无法自动检测您的 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 .

上述步骤的两个要点如下−

如果要构建Debug版本，请指定如下−

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

要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 中的 build 文件夹中，您将找到 libmxnet.dylib，它是安装语言绑定（可选）所必需的。

中央处理单元 (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 Pip 方法

您可以使用以下命令在您的 Linus OS 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，可在 https://hub.docker.com/u/mxnet。让我们查看以下步骤，使用带 CPU 的 Docker 安装 MXNet−

步骤 1− 首先，按照 https://docs.docker.com/docker-for-mac 提供的 docker 安装说明，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，我们可以按如下方式列出 docker 镜像−

$ docker images

为了使用 MXNet 实现最快的推理速度，建议使用带有 Intel MKL-DNN 的最新 MXNet。检查以下命令−

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

从源代码

按照下面给出的步骤在 OS X (Mac) 上从源代码安装 MXNet−

步骤 1−由于我们需要一些 OS x 依赖项，因此首先，我们需要安装必备软件包。

xcode-select –-install #安装 OS X 开发人员工具
/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)" #安装 Homebrew
brew install cmake ninja ccache opencv #安装依赖项

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

第 2 步− 在此步骤中，我们将下载 MXNet 源代码并进行配置。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 .

上述步骤中有两个要点如下−

如果要构建 Debug 版本，请指定如下−

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

要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 中的 build 文件夹中，您将找到 libmxnet.dylib，这是安装语言绑定（可选）所必需的。

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、Server 2012 R2 或 Server 2016
Visual Studio 2015 或 2017（任何类型）
Python 2.7 或 3.6
pip

图形处理单元 (GPU)

使用 Pip 方法−

如果您计划使用 NVIDIA GPU 在 Windows 上构建 MXNet，则有两种使用 Python 包安装支持 CUDA 的 MXNet−

使用CUDA 支持

下面是使用 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 存在一些问题。

步骤 3− 现在，下载并安装 NVIDIA_CUDA_DNN。

步骤 4−最后，使用以下 pip 命令，安装带有 CUDA 的 MXNet−

pip install mxnet-cu92

安装带有 CUDA 和 MKL 支持的产品

下面是安装带有 CUDA 和 MKL 的 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，下载并安装英特尔 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，使用以下 pip 命令，使用 MKL 安装 MXNet。

pip install mxnet-cu92mkl

从源代码

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，请先下载并安装它。
它将提示您安装 Git。也安装它。
如果您的机器上已经安装了 Microsoft Visual Studio，但您想要更新它，请继续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 https://docs.microsoft.com/en-us 上提供的打开 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。之后查找并检查 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，您需要下载并安装 CMake，可在 https://cmake.org/download/ 下载。建议使用 CMake v3.12.2，可在 https://cmake.org/download/，因为它已使用 MXNet 进行了测试。

现在，下载并运行 https://sourceforge.net/projects/opencvlibrary/ 提供的 OpenCV 包，它将解压缩几个文件。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缩的 OpenCV 构建目录。为此，请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（数学核心库），您可以安装它。

您可以使用的另一个开源软件包是OpenBLAS。此处进一步说明，我们假设您使用的是 OpenBLAS。

因此，下载 OpenBlas 包，该包可在 https://sourceforge.net 上找到，然后解压文件，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。为此，请打开命令提示符并输入set OpenBLAS_HOME=C:\utils\OpenBLAS。

现在，下载并安装 CUDA，网址为https://developer.nvidia.com。请注意，如果您已经拥有 CUDA，然后安装了 Microsoft VS2017，则需要立即重新安装 CUDA，以便获取用于 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，它位于 https://gitforwindows.org/。

安装所有必需的依赖项后，请按照以下步骤构建 MXNet 源代码−

步骤 1− 在 Windows 中打开命令提示符。

步骤 2− 现在，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，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 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 的更新 3。您可以使用工具 -> 扩展和更新... | 产品更新菜单来升级它。

接下来，您需要下载并安装 CMake，可在 https://cmake.org/download/ 下载。建议使用 https://cmake.org/download/ 上的 CMake v3.12.2，因为它已使用 MXNet 进行测试。

现在，下载并运行 https://excellmedia.dl.sourceforge.net 上的 OpenCV 包，它将解压多个文件。是否将它们放在其他目录中取决于您。

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软件包是 OpenBLAS。此处进一步说明，我们假设您使用的是 OpenBLAS。

因此，请从 https://excellmedia.dl.sourceforge.net 下载 OpenBLAS 包并解压文件，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，如果您已经拥有 CUDA，然后安装了 Microsoft VS2015，则需要立即重新安装 CUDA，以便获取用于 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 以指向 CUDA 编译器（例如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\bin vcc.exe）。

同样，我们还需要设置环境变量 CUDNN_ROOT 以指向包含 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，请按照以下步骤构建 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 并对其进行编译。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，我们将使用各种方法，即 Pip、Docker 和 Source 来安装使用 CPU 进行处理的 MXNet−

使用 Pip 方法

如果您计划在具有 CPU 的 Windows 上构建 MXNet，则有两种使用 Python 包安装 MXNet 的选项−

使用 CPU 安装

使用以下命令使用 Python 安装具有 CPU 的 MXNet−

pip install mxnet

使用 Intel CPU 安装

如上所述，MXNet 对 Intel MKL 以及 MKL-DNN 进行了实验性支持。使用以下命令使用 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 让我们查看以下步骤，使用带有 CPU 的 Docker 安装 MXNet−

步骤 1−首先，按照 Docker 安装说明进行操作，该说明可在 https://docs.docker.com/docker-for-mac/install 中阅读。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，我们可以列出以下 docker 镜像−

$ docker images

为了使用 MXNet 实现最快的推理速度，建议使用带有 Intel MKL-DNN 的最新 MXNet。

检查以下命令−

$ 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

您还可以在多个支持图形处理单元 (GPU)的云提供商上获取 Apache MXNet。您可以找到以下两种其他支持−

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

以下是使用不同的虚拟机为 Apache MXNet 提供 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在 https://docs.nvidia.com/ngc 上创建 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 提供以下服务MXNet−

Amazon SageMaker

它管理 Apache MXNet 模型的训练和部署。

AWS Deep Learning AMI

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

AWS 上的动态训练

它为实验性手动 EC2 设置以及半自动化 CloudFormation 设置提供培训。

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

Google Cloud Platform

Google 还提供 NVIDIA GPU 云映像，可在 https://console.cloud.google.com 上获取，以与 Apache 配合使用MXNet。

Microsoft Azure

Microsoft Azure Marketplace 还提供 NVIDIA GPU 云映像，可在 https://azuremarketplace.microsoft.com 上获取，以与 Apache MXNet 配合使用。

Oracle Cloud

Oracle 还提供 NVIDIA GPU 云映像，可在 https://docs.cloud.oracle.com 上获取，以与 Apache MXNet 配合使用。

中央处理单元(CPU)

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

Python pip 安装说明。
Docker 说明。
预装选项，如 Amazon Web Services，提供 AWS Deep Learning AMI（已预装了 Python 2 和 Python 3 的 Conda 环境，其中包含 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。

Raspberry Pi

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，建议使用具有 1 GB 以上 RAM 的设备以及至少有 4GB 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 轮子可用于带有 Stretch 的 Raspberry Pi 3B 上，以便快速安装。此方法的一个重要问题是，我们需要安装几个依赖项才能使 Apache MXNet 正常工作。

Docker 安装

您可以按照 docker 安装说明（位于 https://docs.docker.com/engine/install/ubuntu/）在您的机器上安装 Docker。为此，我们也可以安装和使用社区版 (CE)。

本机构建（从源代码）

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− 线性代数运算需要它。
Libopencv− 计算机视觉相关操作需要它。但是，如果您想节省 RAM 和磁盘空间，它是可选的。
C++ 编译器− 它是编译和构建 MXNet 源代码所必需的。以下是支持 C++ 11 的编译器−
- G++ (4.8 或更高版本)
- Clang(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，请在您的主目录中使用以下 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，它将启动构建过程，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。

步骤 2

安装 Apache MXNet 支持的语言特定包

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，您还可以创建一个可使用 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 也支持基于 Ubuntu Arch64 的操作系统。为了在 NVIDIA Jetson 设备上顺利运行 MXNet，必须在 Jetson 设备上安装 CUDA。

以下是您可以为 NVIDIA Jetson 设备构建 MXNet 的方法：

通过使用 Jetson MXNet pip wheel 进行 Python 开发
从源代码

但是，在使用上述任何一种方式构建 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

在主目录中的 .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

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

nvcc --version

假设您的设备上安装了多个 CUDA 版本或计算机并且想要切换 CUDA 版本，请使用以下命令并将符号链接替换为所需版本−

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。因此，让我们了解您可以借助哪些方式安装 MXNet−

通过使用 Jetson MXNet pip wheel 进行 Python 开发−如果您想使用准备好的 Python wheel，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
MXNet 1.4.0（适用于 Python 2），可在 https://docs.docker.com

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−

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−

Docker 方法

在此方法中，您首先需要安装 Docker 并能够在没有 sudo 的情况下运行它（这在前面的步骤中也有解释）。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

在此方法中，您需要编辑 Makefile（使用以下命令）以安装带有 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构建，我们需要按如下方式编辑 Mshadow Makefile−

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，将启动构建过程，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。

步骤 2

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，您现在可以在 NVIDIA Jetson 设备 TX2 或 Nano 上运行 MXNet 了。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 教程

Apache MXNet 有用资源

Apache MXNet - 安装 MXNet

Linux 操作系统

图形处理单元 (GPU)

通过使用 Pip 方法

通过使用 Docker

从源代码

中央处理单元 (CPU)

通过使用 Pip 方法

使用 Docker

从源代码

MacOS

图形处理单元 (GPU)

从源代码

中央处理单元 (CPU)

通过使用 Pip 方法

通过使用 Docker

从源代码

Windows 操作系统

最低系统要求

推荐的系统要求

图形处理单元 (GPU)

使用 Pip 方法−

使用CUDA 支持

安装带有 CUDA 和 MKL 支持的产品

从源代码

中央处理器 (CPU)

使用 Pip 方法

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

Amazon SageMaker

AWS Deep Learning AMI

AWS 上的动态训练

Google Cloud Platform

Microsoft Azure

Oracle Cloud

中央处理单元(CPU)

在设备上安装 MXNet

Raspberry Pi

快速安装

Docker 安装

本机构建（从源代码）

步骤 1

步骤 2

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

Docker 方法

手动

步骤 2

颜色选择器

读后有收获微信请站长喝咖啡

错误报告

您的建议:

感谢您的帮助！