Apache MXNet - MXNet安裝

要開始使用 MXNet，首先需要在計算機上安裝它。Apache MXNet 幾乎適用於所有平臺，包括 Windows、Mac 和 Linux。

Linux作業系統

我們可以透過以下方式在 Linux 作業系統上安裝 MXNet：

圖形處理單元 (GPU)

這裡，我們將使用 Pip、Docker 和原始碼三種方法來安裝使用 GPU 進行處理的 MXNet：

使用 Pip 方法

您可以使用以下命令在您的 Linux 系統上安裝 MXNet：

pip install mxnet

Apache MXNet 還提供 MKL pip 包，在英特爾硬體上執行時速度更快。例如，mxnet-cu101mkl 表示：

該軟體包使用 CUDA/cuDNN 構建
該軟體包啟用了 MKL-DNN
CUDA 版本為 10.1

其他選項，您還可以參考 https://pypi.org/project/mxnet/。

使用 Docker

您可以在 DockerHub 上找到帶有 MXNet 的 Docker 映象，網址為 https://hub.docker.com/u/mxnet。讓我們看看下面使用 Docker 和 GPU 安裝 MXNet 的步驟：

步驟 1 - 首先，按照位於 https://dockerdocs.tw/engine/install/ubuntu/ 的 Docker 安裝說明，我們需要在我們的機器上安裝 Docker。

步驟 2 - 為了能夠從 Docker 容器中使用 GPU，接下來我們需要安裝 nvidia-docker-plugin。您可以按照 https://github.com/NVIDIA/nvidia-docker/wiki 中提供的安裝說明進行操作。

步驟 3 - 使用以下命令，您可以拉取 MXNet Docker 映象：

$ sudo docker pull mxnet/python:gpu

現在，為了檢視 mxnet/python docker 映象是否成功拉取，我們可以列出 docker 映象，如下所示：

$ sudo docker images

為了獲得 MXNet 最快的推理速度，建議使用最新的帶有 Intel MKL-DNN 的 MXNet。請檢視以下命令：

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

從原始碼編譯

要從原始碼構建帶有 GPU 的 MXNet 共享庫，首先需要按照如下步驟設定 CUDA 和 cuDNN 的環境：

下載並安裝 CUDA 工具包，這裡推薦 CUDA 9.2。
接下來下載 cuDNN 7.1.4。
現在我們需要解壓縮檔案。還需要切換到 cuDNN 根目錄。並將標頭檔案和庫檔案移動到本地 CUDA 工具包資料夾，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

設定好 CUDA 和 cuDNN 的環境後，請按照以下步驟從原始碼構建 MXNet 共享庫：

步驟 1 - 首先，我們需要安裝必要的軟體包。這些依賴項在 Ubuntu 16.04 或更高版本上是必需的。

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

步驟 2 - 在這一步中，我們將下載 MXNet 原始碼並進行配置。首先，讓我們使用以下命令克隆儲存庫：

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

步驟 3 - 使用以下命令，您可以構建 MXNet 核心共享庫：

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

關於上述步驟，有兩點需要注意：

如果要構建 Debug 版本，則指定如下：

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

為了設定並行編譯作業的數量，請指定以下內容：

cmake --build . --parallel N

成功構建 MXNet 核心共享庫後，在您的 **MXNet 專案根目錄** 的 **build** 資料夾中，您將找到 **libmxnet.so**，這是安裝語言繫結（可選）所需的。

中央處理器 (CPU)

這裡，我們將使用 Pip、Docker 和原始碼三種方法來安裝使用 CPU 進行處理的 MXNet：

使用 Pip 方法

您可以使用以下命令在您的 Linux 系統上安裝 MXNet：

pip install mxnet

Apache MXNet 還提供啟用了 MKL-DNN 的 pip 包，在英特爾硬體上執行時速度更快。

pip install mxnet-mkl

使用 Docker

您可以在 DockerHub 上找到帶有 MXNet 的 Docker 映象，網址為 https://hub.docker.com/u/mxnet。讓我們看看下面使用 Docker 和 CPU 安裝 MXNet 的步驟：

步驟 1 - 首先，按照位於 https://dockerdocs.tw/engine/install/ubuntu/ 的 Docker 安裝說明，我們需要在我們的機器上安裝 Docker。

步驟 2 - 使用以下命令，您可以拉取 MXNet Docker 映象：

$ sudo docker pull mxnet/python

現在，為了檢視 mxnet/python docker 映象是否成功拉取，我們可以列出 docker 映象，如下所示：

$ sudo docker images

為了獲得 MXNet 最快的推理速度，建議使用最新的帶有 Intel MKL-DNN 的 MXNet。

請檢視以下命令：

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

從原始碼編譯

要從原始碼構建帶有 CPU 的 MXNet 共享庫，請按照以下步驟操作：

步驟 1 - 首先，我們需要安裝必要的軟體包。這些依賴項在 Ubuntu 16.04 或更高版本上是必需的。

sudo apt-get update

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

步驟 2 - 在這一步中，我們將下載 MXNet 原始碼並進行配置。首先，讓我們使用以下命令克隆儲存庫：

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

cd mxnet
cp config/linux.cmake config.cmake

步驟 3 - 使用以下命令，您可以構建 MXNet 核心共享庫：

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

關於上述步驟，有兩點需要注意：

如果要構建 Debug 版本，則指定如下：

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

為了設定並行編譯作業的數量，請指定以下內容：

cmake --build . --parallel N

成功構建 MXNet 核心共享庫後，在您的 MXNet 專案根目錄的 **build** 資料夾中，您將找到 **libmxnet.so**，這是安裝語言繫結（可選）所需的。

MacOS

我們可以透過以下方式在 MacOS 上安裝 MXNet：

圖形處理單元 (GPU)

如果您計劃在帶有 GPU 的 MacOS 上構建 MXNet，則沒有可用的 Pip 和 Docker 方法。在這種情況下，唯一的方法是從原始碼構建。

從原始碼編譯

要從原始碼構建帶有 GPU 的 MXNet 共享庫，首先需要設定 CUDA 和 cuDNN 的環境。您需要按照位於 https://docs.nvidia.com 的 **NVIDIA CUDA 安裝指南** 和位於 https://docs.nvidia.com/deeplearning 的 **cuDNN 安裝指南** 進行操作（適用於 macOS）。

請注意，2019 年 CUDA 停止支援 macOS。事實上，未來的 CUDA 版本也可能不支援 macOS。

設定好 CUDA 和 cuDNN 的環境後，請按照以下步驟從原始碼在 OS X (Mac) 上安裝 MXNet：

步驟 1 - 由於我們需要 OS X 上的一些依賴項，首先，我們需要安裝必要的軟體包。

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

我們也可以在沒有 OpenCV 的情況下構建 MXNet，因為 opencv 是一個可選的依賴項。

步驟 2 - 在這一步中，我們將下載 MXNet 原始碼並進行配置。首先，讓我們使用以下命令克隆儲存庫：

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

cd mxnet
cp config/linux.cmake config.cmake

對於啟用 GPU 的版本，必須先安裝 CUDA 依賴項，因為當嘗試在沒有 GPU 的機器上構建啟用 GPU 的版本時，MXNet 構建無法自動檢測您的 GPU 架構。在這種情況下，MXNet 將針對所有可用的 GPU 架構。

步驟 3 - 使用以下命令，您可以構建 MXNet 核心共享庫：

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

關於上述步驟，有兩點需要注意：

如果要構建 Debug 版本，則指定如下：

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

為了設定並行編譯作業的數量，請指定以下內容：

cmake --build . --parallel N

成功構建 MXNet 核心共享庫後，在您的 **MXNet 專案根目錄** 的 **build** 資料夾中，您將找到 **libmxnet.dylib**，這是安裝語言繫結（可選）所需的。

中央處理器 (CPU)

這裡，我們將使用 Pip、Docker 和原始碼三種方法來安裝使用 CPU 進行處理的 MXNet：

使用 Pip 方法

您可以使用以下命令在您的 Linux 系統上安裝 MXNet：

pip install mxnet

使用 Docker

您可以在 DockerHub 上找到帶有 MXNet 的 Docker 映象，網址為 https://hub.docker.com/u/mxnet。讓我們看看下面使用 Docker 和 CPU 安裝 MXNet 的步驟：

步驟 1 - 首先，按照位於 https://dockerdocs.tw/docker-for-mac 的 **Docker 安裝說明**，我們需要在我們的機器上安裝 Docker。

步驟 2 - 使用以下命令，您可以拉取 MXNet Docker 映象：

$ docker pull mxnet/python

現在，為了檢視 mxnet/python docker 映象是否成功拉取，我們可以列出 docker 映象，如下所示：

$ docker images

為了獲得 MXNet 最快的推理速度，建議使用最新的帶有 Intel MKL-DNN 的 MXNet。請檢視以下命令：

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

從原始碼編譯

請按照以下步驟從原始碼在 OS X (Mac) 上安裝 MXNet：

步驟 1 - 由於我們需要 OS X 上的一些依賴項，首先，我們需要安裝必要的軟體包。

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

我們也可以在沒有 OpenCV 的情況下構建 MXNet，因為 opencv 是一個可選的依賴項。

步驟 2 - 在這一步中，我們將下載 MXNet 原始碼並進行配置。首先，讓我們使用以下命令克隆儲存庫：

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

cd mxnet

cp config/linux.cmake config.cmake

步驟 3 - 使用以下命令，您可以構建 MXNet 核心共享庫：

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

關於上述步驟，有兩點需要注意：

如果要構建 Debug 版本，則指定如下：

cmake -DCMAKE_BUILD_TYPE=Debug -GNinja ..

為了設定並行編譯作業的數量，請指定以下內容：

cmake --build . --parallel N

成功構建 MXNet 核心共享庫後，在您的 **MXNet 專案根目錄** 的 **build** 資料夾中，您將找到 **libmxnet.dylib**，這是安裝語言繫結（可選）所需的。

Windows作業系統

要在 Windows 上安裝 MXNet，以下為先決條件：

最低系統要求

Windows 7、10、Server 2012 R2 或 Server 2016
Visual Studio 2015 或 2017（任何型別）
Python 2.7 或 3.6
pip

圖形處理單元 (GPU)

使用 Pip 方法：

如果您計劃在帶有 NVIDIA GPU 的 Windows 上構建 MXNet，則可以使用 Python 包安裝支援 CUDA 的 MXNet，有兩種選擇：

安裝 CUDA 支援

以下是我們可以使用這些步驟設定支援 CUDA 的 MXNet 的方法。

步驟 1 - 首先安裝 Microsoft Visual Studio 2017 或 Microsoft Visual Studio 2015。

步驟 2 - 接下來，下載並安裝 NVIDIA CUDA。建議使用 CUDA 9.2 或 9.0 版本，因為過去已發現 CUDA 9.1 中存在一些問題。

步驟 3 - 現在，下載並安裝 NVIDIA_CUDA_DNN。

步驟 4 - 最後，使用以下 pip 命令安裝支援 CUDA 的 MXNet：

pip install mxnet-cu92

安裝 CUDA 和 MKL 支援

以下是我們可以使用這些步驟設定支援 CUDA 和 MKL 的 MXNet 的方法。

步驟 1 - 首先安裝 Microsoft Visual Studio 2017 或 Microsoft Visual Studio 2015。

步驟 2 - 接下來，下載並安裝 intel MKL

步驟 3 - 現在，下載並安裝 NVIDIA CUDA。

步驟 4 - 現在，下載並安裝 NVIDIA_CUDA_DNN。

步驟 5− 最後，使用以下 pip 命令安裝帶有 MKL 的 MXNet。

pip install mxnet-cu92mkl

從原始碼編譯

要從原始碼構建帶有 GPU 的 MXNet 核心庫，我們有以下兩個選項：

選項 1− 使用 Microsoft Visual Studio 2017 構建

要使用 Microsoft Visual Studio 2017 自行構建和安裝 MXNet，您需要以下依賴項。

安裝/更新 Microsoft Visual Studio。

如果您的計算機上尚未安裝 Microsoft Visual Studio，請先下載並安裝它。
系統會提示您安裝 Git。也請安裝它。
如果您的計算機上已經安裝了 Microsoft Visual Studio，但您想更新它，請繼續執行下一步以修改您的安裝。在這裡，您將有機會更新 Microsoft Visual Studio。

按照https://docs.microsoft.com/en-us 中提供的說明開啟 Visual Studio Installer 以修改單個元件。

在 Visual Studio Installer 應用程式中，根據需要更新。之後，查詢並選中VC++ 2017 version 15.4 v14.11 toolset，然後單擊修改。

現在，使用以下命令將 Microsoft VS2017 的版本更改為 v14.11：

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

接下來，您需要下載並安裝https://cmake.org/download/ 上提供的CMake。建議使用https://cmake.org/download/ 上提供的CMake v3.12.2，因為它已透過 MXNet 測試。

現在，下載並執行https://sourceforge.net/projects/opencvlibrary/ 上提供的OpenCV 包，這將解壓縮多個檔案。您可以選擇是否將它們放在另一個目錄中。這裡，我們將使用路徑C:\utils(mkdir C:\utils)作為我們的預設路徑。

接下來，我們需要設定環境變數 OpenCV_DIR 以指向我們剛剛解壓縮的 OpenCV 構建目錄。為此，請開啟命令提示符並鍵入set OpenCV_DIR=C:\utils\opencv\build。

重要的一點是，如果您沒有安裝 Intel MKL（數學核心庫），則可以安裝它。

您可以使用的另一個開源包是OpenBLAS。在接下來的說明中，我們假設您正在使用OpenBLAS。

因此，下載https://sourceforge.net 上提供的OpenBlas 包並解壓縮檔案，將其重新命名為OpenBLAS 並將其放在C:\utils 下。

接下來，我們需要設定環境變數OpenBLAS_HOME 以指向包含include 和lib 目錄的 OpenBLAS 目錄。為此，請開啟命令提示符並鍵入set OpenBLAS_HOME=C:\utils\OpenBLAS。

現在，下載並安裝https://developer.nvidia.com 上提供的 CUDA。請注意，如果您已經安裝了 CUDA，然後安裝了 Microsoft VS2017，則現在需要重新安裝 CUDA，以便您可以獲得用於 Microsoft VS2017 整合的 CUDA 工具包元件。

接下來，您需要下載並安裝 cuDNN。

接下來，您還需要下載並安裝https://gitforwindows.org/ 上的 git。

安裝所有必需的依賴項後，請按照以下步驟構建 MXNet 原始碼：

步驟 1− 在 Windows 中開啟命令提示符。

步驟 2− 現在，使用以下命令從 GitHub 下載 MXNet 原始碼：

cd C:\

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

步驟 3− 接下來，驗證以下內容：

DCUDNN_INCLUDE 和DCUDNN_LIBRARY 環境變數指向 CUDA 安裝位置的include 資料夾和cudnn.lib 檔案。

C:\incubator-mxnet 是您在上一步中剛剛克隆的原始碼的位置。

步驟 4− 接下來，使用以下命令建立一個構建目錄並轉到該目錄，例如：

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

步驟 5− 現在，使用 cmake 編譯 MXNet 原始碼，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"

步驟 6− CMake 成功完成之後，使用以下命令編譯 MXNet 原始碼：

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

選項 2：使用 Microsoft Visual Studio 2015 構建

要使用 Microsoft Visual Studio 2015 自行構建和安裝 MXNet，您需要以下依賴項。

安裝/更新 Microsoft Visual Studio 2015。從原始碼構建 MXnet 的最低要求是 Microsoft Visual Studio 2015 的 Update 3。您可以使用工具 -> 擴充套件和更新... | 產品更新選單進行升級。

接下來，您需要下載並安裝https://cmake.org/download/ 上提供的CMake。建議使用https://cmake.org/download/ 上的CMake v3.12.2，因為它已透過 MXNet 測試。

現在，下載並執行https://excellmedia.dl.sourceforge.net 上提供的 OpenCV 包，這將解壓縮多個檔案。您可以選擇是否將它們放在另一個目錄中。

接下來，我們需要設定環境變數OpenCV_DIR 以指向我們剛剛解壓縮的OpenCV 構建目錄。為此，請開啟命令提示符並鍵入 set OpenCV_DIR=C:\opencv\build\x64\vc14\bin。

重要的一點是，如果您沒有安裝 Intel MKL（數學核心庫），則可以安裝它。

您可以使用的另一個開源包是OpenBLAS。在接下來的說明中，我們假設您正在使用OpenBLAS。

因此，下載https://excellmedia.dl.sourceforge.net 上提供的OpenBLAS 包並解壓縮檔案，將其重新命名為 OpenBLAS 並將其放在 C:\utils 下。

接下來，我們需要設定環境變數 OpenBLAS_HOME 以指向包含 include 和 lib 目錄的 OpenBLAS 目錄。您可以在C:\Program files (x86)\OpenBLAS\ 中找到該目錄。

請注意，如果您已經安裝了 CUDA，然後安裝了 Microsoft VS2015，則現在需要重新安裝 CUDA，以便您可以獲得用於 Microsoft VS2017 整合的 CUDA 工具包元件。

接下來，您需要下載並安裝 cuDNN。

現在，我們需要設定環境變數 CUDACXX 以指向CUDA 編譯器（例如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\bin\nvcc.exe）。

同樣，我們還需要設定環境變數CUDNN_ROOT 以指向包含include、lib 和bin 目錄的cuDNN 目錄（例如C:\Downloads\cudnn-9.1-windows7-x64-v7\cuda）。

安裝所有必需的依賴項後，請按照以下步驟構建 MXNet 原始碼：

步驟 1− 首先，從 GitHub 下載 MXNet 原始碼：

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

步驟 2− 接下來，使用 CMake 在 ./build 中建立一個 Visual Studio 專案。

步驟 3− 現在，在 Visual Studio 中，我們需要開啟解決方案檔案.sln 並編譯它。這些命令將在./build/Release/ 或./build/Debug 資料夾中生成一個名為mxnet.dll 的庫。

步驟 4− CMake 成功完成之後，使用以下命令編譯 MXNet 原始碼：

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

中央處理器 (CPU)

這裡，我們將使用 Pip、Docker 和原始碼三種方法來安裝使用 CPU 進行處理的 MXNet：

使用 Pip 方法

如果您計劃在 Windows 上使用 CPU 構建 MXNet，則可以使用 Python 包安裝 MXNet 的兩種方法：

使用 CPU 安裝

使用以下命令使用 Python 安裝帶有 CPU 的 MXNet：

pip install mxnet

使用 Intel CPU 安裝

如上所述，MXNet 也實驗性地支援 Intel MKL 和 MKL-DNN。使用以下命令使用 Python 安裝帶有 Intel CPU 的 MXNet：

pip install mxnet-mkl

使用 Docker

您可以在https://hub.docker.com/u/mxnet 上提供的DockerHub 上找到帶有 MXNet 的 Docker 映象。讓我們檢視以下步驟，以使用 Docker 和 CPU 安裝 MXNet：

步驟 1− 首先，按照https://dockerdocs.tw/docker-for-mac/install 中提供的 Docker 安裝說明進行操作。我們需要在我們的機器上安裝 Docker。

步驟 2 - 使用以下命令，您可以拉取 MXNet Docker 映象：

$ docker pull mxnet/python

現在，為了檢視 mxnet/python docker 映象是否成功拉取，我們可以列出 docker 映象，如下所示：

$ docker images

為了獲得 MXNet 最快的推理速度，建議使用最新的帶有 Intel MKL-DNN 的 MXNet。

檢視以下命令：

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

在雲端和裝置上安裝 MXNet

本節重點介紹如何在雲端和裝置上安裝 Apache MXNet。讓我們首先學習如何在雲端安裝 MXNet。

在雲端安裝 MXNet

您還可以在多個雲提供商處獲得支援圖形處理單元 (GPU) 的 Apache MXNet。您可以找到的其他兩種支援如下：

GPU/CPU 混合支援，用於可擴充套件推理等用例。
使用 AWS Elastic Inference 的階乘 GPU 支援。

以下是提供支援不同 Apache MXNet 虛擬機器的 GPU 支援的雲提供商：

阿里巴巴控制檯

您可以使用阿里巴巴控制檯建立https://docs.nvidia.com/ngc 上提供的NVIDIA GPU 雲虛擬機器 (VM) 並使用 Apache MXNet。

Amazon Web Services

它還提供 GPU 支援，併為 Apache MXNet 提供以下服務：

Amazon SageMaker

它管理 Apache MXNet 模型的訓練和部署。

AWS Deep Learning AMI

它為 Python 2 和 Python 3 提供預安裝的 Conda 環境，其中包含 Apache MXNet、CUDA、cuDNN、MKL-DNN 和 AWS Elastic Inference。

AWS 上的動態訓練

它提供實驗性手動 EC2 設定以及半自動 CloudFormation 設定的訓練。

您可以使用https://aws.amazon.com 上提供的NVIDIA VM 與 Amazon Web Services 配合使用。

Google Cloud Platform

Google 還提供https://console.cloud.google.com 上提供的NVIDIA GPU 雲映象，用於與 Apache MXNet 配合使用。

Microsoft Azure

Microsoft Azure Marketplace 還提供https://azuremarketplace.microsoft.com 上提供的NVIDIA GPU 雲映象，用於與 Apache MXNet 配合使用。

Oracle Cloud

Oracle 還提供https://docs.cloud.oracle.com 上提供的NVIDIA GPU 雲映象，用於與 Apache MXNet 配合使用。

中央處理器 (CPU)

Apache MXNet 可在每個雲提供商的僅 CPU 例項上執行。有各種安裝方法，例如：

Python pip 安裝說明。
Docker 說明。
預安裝選項，例如 Amazon Web Services，它提供 AWS Deep Learning AMI（為 Python 2 和 Python 3 提供預安裝的 Conda 環境，其中包含 MXNet 和 MKL-DNN）。

在裝置上安裝 MXNet

讓我們學習如何在裝置上安裝 MXNet。

樹莓派

您還可以在樹莓派 3B 裝置上執行 Apache MXNet，因為 MXNet 也支援基於 Respbian ARM 的作業系統。為了在樹莓派 3 上流暢執行 MXNet，建議使用記憶體超過 1 GB 且 SD 卡至少有 4 GB 可用空間的裝置。

以下是您可以用來為樹莓派構建 MXNet 並安裝庫的 Python 繫結的方法：

快速安裝

預構建的 Python wheel 可用於在具有 Stretch 的樹莓派 3B 上進行快速安裝。此方法的一個重要問題是，我們需要安裝多個依賴項才能使 Apache MXNet 正常工作。

Docker 安裝

您可以按照https://dockerdocs.tw/engine/install/ubuntu/ 上提供的 Docker 安裝說明在您的機器上安裝 Docker。為此，我們也可以安裝和使用社群版 (CE)。

原生構建（從原始碼）

要從原始碼安裝 MXNet，我們需要執行以下兩個步驟：

步驟 1

從 Apache MXNet C++ 原始碼構建共享庫

要在樹莓派 Wheezy 及更高版本上構建共享庫，我們需要以下依賴項：

Git− 需要從 GitHub 拉取程式碼。
Libblas− 用於線性代數運算。
Libopencv− 用於計算機視覺相關運算。但是，如果您想節省RAM和磁碟空間，它是可選的。
C++編譯器− 用於編譯和構建MXNet原始碼。以下是支援C++11的受支援編譯器：
- G++ (4.8或更高版本)
- Clang(3.9-6)

使用以下命令安裝上述依賴項：

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

接下來，我們需要克隆MXNet原始碼倉庫。為此，請在您的主目錄中使用以下git命令：

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

cd incubator-mxnet

現在，使用以下命令構建共享庫：

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)

執行上述命令後，將開始構建過程，此過程可能需要幾個小時才能完成。您將在build目錄中獲得一個名為libmxnet.so的檔案。

步驟2

安裝Apache MXNet支援的特定語言包

在此步驟中，我們將安裝MXNet Python繫結。為此，我們需要在MXNet目錄中執行以下命令：

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

或者，使用以下命令，您還可以建立一個可以使用pip安裝的whl包：

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

NVIDIA Jetson裝置

您還可以在NVIDIA Jetson裝置（例如TX2或Nano）上執行Apache MXNet，因為MXNet也支援基於Ubuntu Arch64的作業系統。為了使MXNet在NVIDIA Jetson裝置上平穩執行，您的Jetson裝置上必須安裝CUDA。

以下是您可以用來為NVIDIA Jetson裝置構建MXNet的方法：

使用Jetson MXNet pip wheel進行Python開發
從原始碼編譯

但是，在透過上述任何方法構建MXNet之前，您需要在Jetson裝置上安裝以下依賴項：

Python依賴項

為了使用Python API，我們需要以下依賴項：

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原始碼倉庫

在您的主目錄中使用以下git命令克隆MXNet原始碼倉庫：

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

設定環境變數

將以下內容新增到您主目錄中的.profile檔案中：

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

現在，使用以下命令立即應用更改：

source .profile

配置CUDA

在使用nvcc配置CUDA之前，您需要檢查正在執行的CUDA版本：

nvcc --version

假設，如果您的裝置或計算機上安裝了多個CUDA版本，並且您想切換CUDA版本，則使用以下命令並將符號連結替換為您想要的版本：

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

上述命令將切換到CUDA 10.0，該版本預安裝在NVIDIA Jetson裝置Nano上。

完成上述先決條件後，您現在可以在NVIDIA Jetson裝置上安裝MXNet。因此，讓我們瞭解您可以安裝MXNet的方法：

使用Jetson MXNet pip wheel進行Python開發− 如果您想使用預先準備好的Python wheel，請將以下內容下載到您的Jetson並執行它：

MXNet 1.4.0（適用於Python 3）可在https://dockerdocs.tw 獲取
MXNet 1.4.0（適用於Python 2）可在https://dockerdocs.tw 獲取

原生構建（從原始碼）

要從原始碼安裝 MXNet，我們需要執行以下兩個步驟：

步驟 1

從 Apache MXNet C++ 原始碼構建共享庫

要從Apache MXNet C++原始碼構建共享庫，您可以使用Docker方法或手動執行：

Docker方法

在此方法中，您首先需要安裝Docker並能夠在無需sudo的情況下執行它（這也在之前的步驟中進行了說明）。完成後，執行以下命令以透過Docker執行交叉編譯：

$MXNET_HOME/ci/build.py -p jetson

手動方法

在此方法中，您需要編輯Makefile（使用以下命令）以安裝具有CUDA繫結的MXNet，以利用NVIDIA Jetson裝置上的圖形處理單元（GPU）。

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

編輯Makefile後，您需要編輯config.mk檔案以對NVIDIA Jetson裝置進行一些額外更改。

為此，請更新以下設定：

更新CUDA路徑：USE_CUDA_PATH = /usr/local/cuda
將-gencode arch=compute-63,code=sm_62新增到CUDA_ARCH設定中。
更新NVCC設定：NVCCFLAGS := -m64
啟用OpenCV：USE_OPENCV = 1

現在，為了確保MXNet使用Pascal的硬體級低精度加速進行構建，我們需要按如下方式編輯Mshadow Makefile：

MSHADOW_CFLAGS += -DMSHADOW_USE_PASCAL=1

最後，您可以使用以下命令構建完整的Apache MXNet庫：

cd $MXNET_HOME
make -j $(nproc)

執行上述命令後，將開始構建過程，此過程可能需要幾個小時才能完成。您將在mxnet/lib目錄中獲得一個名為libmxnet.so的檔案。

步驟2

安裝Apache MXNet Python繫結

在此步驟中，我們將安裝MXNet Python繫結。為此，我們需要在MXNet目錄中執行以下命令：

cd $MXNET_HOME/python
sudo pip install -e .

完成上述步驟後，您現在就可以在NVIDIA Jetson TX2或Nano裝置上執行MXNet了。可以使用以下命令進行驗證：

import mxnet
mxnet.__version__

如果一切正常，它將返回版本號。

列印頁面

上一步

下一步

Apache MXNet - MXNet安裝

Linux作業系統

圖形處理單元 (GPU)

使用 Pip 方法

使用 Docker

從原始碼編譯

中央處理器 (CPU)

使用 Pip 方法

使用 Docker

從原始碼編譯

MacOS

圖形處理單元 (GPU)

從原始碼編譯

中央處理器 (CPU)

使用 Pip 方法

使用 Docker

從原始碼編譯

Windows作業系統

最低系統要求

推薦系統要求

圖形處理單元 (GPU)

使用 Pip 方法：

安裝 CUDA 支援

安裝 CUDA 和 MKL 支援

從原始碼編譯

中央處理器 (CPU)

使用 Pip 方法

使用 Docker

在雲端和裝置上安裝 MXNet

在雲端安裝 MXNet

阿里巴巴控制檯

Amazon Web Services

Amazon SageMaker

AWS Deep Learning AMI

AWS 上的動態訓練

Google Cloud Platform

Microsoft Azure

Oracle Cloud

中央處理器 (CPU)

在裝置上安裝 MXNet

樹莓派

快速安裝

Docker 安裝

原生構建（從原始碼）

步驟 1

步驟2

NVIDIA Jetson裝置

Python依賴項

克隆MXNet原始碼倉庫

設定環境變數

配置CUDA

原生構建（從原始碼）

步驟 1

Docker方法

手動方法

步驟2