Apache Mxnet 简明教程

Apache MXNet - Installing MXNet

为了开始使用 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 几乎适用于所有可用平台，包括 Windows、Mac 和 Linux。

Linux OS

我们可以在 Linux 系统上按照以下方式安装 MXNet -

Graphical Processing Unit (GPU)

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 和源代码来安装 MXNet -

By using Pip method

您可以使用以下命令在您的 Linus 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。这里例如 mxnet-cu101mkl 表示 -

  1. 该软件包使用 CUDA/cuDNN 构建

  2. 该软件包已启用 MKL-DNN

  3. CUDA 版本是 10.1

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

By using Docker

您可以在 DockerHub 上找到包含 MXNet 的 docker 镜像，它位于 https://hub.docker.com/u/mxnet 。让我们检出以下步骤，以使用带有 GPU 的 Docker 安装 MXNet -

Step 1 − 首先，按照可在 https://docs.docker.com/engine/install/ubuntu/ 获得的 docker 安装说明。我们需要在我们的计算机上安装 Docker。

Step 2 − 为了从 docker 容器中启用 GPU 的使用，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。

Step 3 − 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，我们可以按如下列出 docker 镜像 -

$ sudo docker images

为了获得最快的 MXNet 推断速度，建议使用带有 Intel MKL-DNN 的最新 MXNet。查看以下命令 -

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

From source

要通过 GPU 构建 MXNet 共享库，首先需要为 CUDA 和 cuDNN 设置环境，如下所述−

  1. 下载并安装 CUDA 工具包，建议此处使用 CUDA 9.2。

  2. Next download cuDNN 7.1.4.

  3. 现在需要解压该文件。还需要更改为 cuDNN 根目录。还要将头文件和库移动到本地 CUDA Toolkit 文件夹中，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，按照以下步骤从源代码构建 MXNet 共享库：

Step 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

Step 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

Step 3 − 使用以下命令可以构建 MXNet 核心共享库：

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

Two important points regarding the above step is as follows−

如果要构建调试版本，请按以下方式指定：

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

一旦成功构建 MXNet 核心共享库，您将在 build 中 MXNet project root, 找到 libmxnet.so ，这是安装语言绑定（可选）所必需的。

Central Processing Unit (CPU)

在此，当使用 CPU 进行处理时，我们将使用各种方法（即 Pip、Docker 和 Source）来安装 MXNet：

By using Pip method

可以使用以下命令在 Linus OS 上安装 MXNet：

pip install mxnet

当在英特尔硬件上运行时，Apache MXNet 还提供了支持 MKL-DNN 的 pip 包，而这些包要快得多。

pip install mxnet-mkl

By using Docker

在 DockerHub 上可以找到带 MXNet 的 Docker 镜像，网址为 https://hub.docker.com/u/mxnet 。让我们查看以下步骤，以使用 Docker 和 CPU 安装 MXNet：

Step 1 − 首先，按照可在 https://docs.docker.com/engine/install/ubuntu/ 获得的 docker 安装说明。我们需要在我们的计算机上安装 Docker。

Step 2 − 使用以下命令可以提取 MXNet docker 镜像：

$ sudo docker pull mxnet/python

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

$ sudo docker images

为了获得 MXNet 的最快推理速度，建议使用带有英特尔 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

From source

若要从源代码使用 CPU 编译 MXNet 共享库，请执行以下步骤 −

Step 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

Step 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

Step 3 − 您可以使用以下命令编译 MXNet 核心共享库：

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

Two important points regarding the above step is as follows−

如果您想编译调试版本，请按如下指定：

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

一旦成功编译 MXNet 核心共享库，您将在 MXNet 项目根目录的 build 文件夹中找到 libmxnet.so，该库是安装语言绑定（可选）所需的。

MacOS

我们可以在 MacOS 上通过以下方式安装 MXNet −

Graphical Processing Unit (GPU)

如果您打算在带有 GPU 的 MacOS 上编译 MXNet，那么 NO Pip 和 Docker 方法可用。在这种情况下，唯一的方法是从源代码编译它。

From source

要从源代码使用 GPU 编译 MXNet 共享库，首先需要为 CUDA 和 cuDNN 设置环境。您需要按照 NVIDIA CUDA Installation Guide 中提供的说明操作，该说明可在 https://docs.nvidia.com 中找到以及 cuDNN Installation Guide, 中提供的说明，该说明可在 https://docs.nvidia.com/deeplearning 中找到以适用于 Mac OS。

请注意，在 2019 年中，CUDA 停止了对 macOS 的支持。事实上，未来版本的 CUDA 可能也不支持 macOS。

一旦您为 CUDA 和 cuDNN 设置了环境，按照下面给出的步骤在 OS X（Mac）上从源代码安装 MXNet−

Step 1 − 由于我们在 OS x 上有一些依赖项，因此首先需要安装必备包。

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

我们还可以不用 OpenCV 编译 MXNet，因为 opencv 是可选的依赖项。

Step 2 − 在此步骤中，我们下载 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

对于支持 GPU，首先有必要安装 CUDA 依赖项，因为当人们尝试在没有 GPU 的机器上编译支持 GPU 的编译时，MXNet 编译不能自动检测到您的 GPU 架构。在这样的情况下，MXNet 将针对所有可用的 GPU 架构。

Step 3 − 使用以下命令可以构建 MXNet 核心共享库：

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

有关上述步骤的两个重要说明如下−

如果要构建调试版本，请按以下方式指定：

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

一旦成功编译 MXNet 核心共享库，您将在 build 文件夹中的 MXNet project root, 中找到 libmxnet.dylib, ，它是安装语言绑定（可选）所需的。

Central Processing Unit (CPU)

在这里，当我们使用 CPU 进行处理时，我们将使用 Pip、Docker 和源这几种方法来安装 MXNet−

By using Pip method

您可以使用以下命令在您的 Linus 操作系统上安装 MXNet

pip install mxnet

By using Docker

您可以在 DockerHub 上找到带有 MXNet 的 docker 映像，它可在 https://hub.docker.com/u/mxnet 上获得。让我们看看以下步骤以使用具有 CPU 的 Docker 安装 MXNet−

Step 1 − 首先，按照可在 https://docs.docker.com/docker-for-mac 上获得的 docker installation instructions 安装 Docker 到我们的机器上。

Step 2 − 通过使用以下命令，您可以拉取 MXNet docker 映像−

$ docker pull mxnet/python

现在为了查看 mxnet/python docker 映像拉取是否成功，我们可以按以下方式列出 docker 映像−

$ docker images

为了获得 MXNet 最快的推理速度，推荐使用带有 Intel MKL-DNN 的最新 MXNet。查看以下命令−

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

From source

按照以下提供的步骤在 OS X（Mac）上从源代码安装 MXNet−

Step 1 − 因为我们需要一些在 OS x 上的依赖项，所以首先，我们需要安装先决条件包。

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

我们还可以不用 OpenCV 编译 MXNet，因为 opencv 是可选的依赖项。

Step 2 − 在此步骤中，我们将下载 MXNet 源代码并配置。首先，让我们通过使用以下命令克隆仓库−

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

cd mxnet

cp config/linux.cmake config.cmake

Step 3 − 您可以使用以下命令编译 MXNet 核心共享库：

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

Two important points regarding the above step is as follows−

如果要构建调试版本，请按以下方式指定：

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

一旦成功编译 MXNet 核心共享库，您将在 build 文件夹中的 MXNet project root, 中找到 libmxnet.dylib, ，它是安装语言绑定（可选）所需的。

Windows OS

为在 Windows 上安装 MXNet，以下为先决条件−

Minimum System Requirements

  1. Windows 7、10、Server 2012 R2 或 Server 2016

  2. Visual Studio 2015 或 2017（任何类型）

  3. Python 2.7 or 3.6

  4. pip

Recommended System Requirements

  1. Windows 10、Server 2012 R2 或 Server 2016

  2. Visual Studio 2017

  3. 至少一个 NVIDIA CUDA 支持的 GPU

  4. 启用了 MKL 的 CPU：英特尔® 至强® 处理器、英特尔® 酷睿™ 处理器家族、英特尔凌动® 处理器或英特尔® 至强融核™ 处理器

  5. Python 2.7 or 3.6

  6. pip

Graphical Processing Unit (GPU)

By using Pip method−

如果您计划在带有 NVIDIA GPU 的 Windows 上构建 MXNet，则有两个选择，可以使用 Python 包使用 CUDA 支持安装 MXNet−

Install with CUDA Support

以下是我们借助其设置带有 CUDA 的 MXNet 的步骤。

Step 1 − 首先安装 Microsoft Visual Studio 2017 或 Microsoft Visual Studio 2015。

Step 2 − 接下来，下载并安装 NVIDIA CUDA。推荐使用 CUDA 版本 9.2 或 9.0，因为在过去已经发现了 CUDA 9.1 中的一些问题。

Step 3 − 现在，下载并安装 NVIDIA_CUDA_DNN。

Step 4 − 最后，使用以下 pip 命令，安装带 CUDA 的 MXNet。

pip install mxnet-cu92

Install with CUDA and MKL Support

以下是可供参考的步骤，我们可以利用这些步骤，使用 CUDA 和 MKL 设置 MXNet。

Step 1 − 首先安装 Microsoft Visual Studio 2017 或 Microsoft Visual Studio 2015。

Step 2 − 接下来，下载并安装英特尔 MKL。

Step 3 − 现在，下载并安装 NVIDIA CUDA。

Step 4 − 现在，下载并安装 NVIDIA_CUDA_DNN。

Step 5 − 最后，使用以下 pip 命令，安装带 MKL 的 MXNet。

pip install mxnet-cu92mkl

From source

要通过源代码使用 GPU 构建 MXNet 核心库，我们有以下两个选项：

Option 1− Build with Microsoft Visual Studio 2017

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

Install/update Microsoft Visual Studio.

  1. 如果您的计算机上尚未安装 Microsoft Visual Studio，请先下载并安装它。

  2. 它会提示您安装 Git。同样，安装它。

  3. 如果您的计算机上已经安装了 Microsoft Visual Studio，但您想要更新它，则继续执行下一步以修改您的安装。在这里，您也有机会更新 Microsoft Visual Studio。

按照 https://docs.microsoft.com/en-us 中提供的打开 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，根据需要更新。之后，查找并选中 VC++ 2017 version 15.4 v14.11 toolset ，然后单击 Modify 。

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 ，它可在 https://cmake.org/download/ 获得。建议您使用 CMake v3.12.2 ，它可在 https://cmake.org/download/ 获得，因为它经过 MXNet 测试。

现在，下载并运行 OpenCV 程序包，它可在 https://sourceforge.net/projects/opencvlibrary/ 获得。该程序包将解压缩几个文件。由您决定是否将它们放入另一个目录。在这里，我们将 C:\utils(mkdir C:\utils) 路径用作我们的默认路径。

接下来，我们需要设置环境变量 OpenCV_DIR，以便指向我们刚刚解压的 OpenCV 构建目录。为此，打开命令提示符并键入 set OpenCV_DIR=C:\utils\opencv\build 。

一个重要的问题是，如果您没有安装英特尔 MKL（Math Kernel Library），您可以安装它。

您可以使用的另一个开源包是 OpenBLAS 。在此，为了进一步说明，我们假设您正在使用 OpenBLAS 。

因此，下载 OpenBlas 包，该包可在 https://sourceforge.net 中获取，然后解压该文件，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。为此，打开命令提示符并键入 set OpenBLAS_HOME=C:\utils\OpenBLAS 。

现在，下载并安装可在 https://developer.nvidia.com 中获取的 CUDA。请注意，如果您已经安装了 CUDA，然后安装了 Microsoft VS2017，那么您现在需要重新安装 CUDA，以便您可以获取 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，您需要下载并安装也在 https://gitforwindows.org/ 的 git。

一旦安装了所有必需的依赖项，请按照以下步骤来构建 MXNet 源代码 -

Step 1 - 在 Windows 中打开命令提示符。

Step 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

Step 3 - 接下来，验证以下内容 -

DCUDNN_INCLUDE and DCUDNN_LIBRARY 环境变量指向安装了 CUDA 的位置的 include 文件夹和 cudnn.lib 文件

C:\incubator-mxnet 是您在上一步中克隆的源代码的位置。

Step 4 - 接下来，使用以下命令，创建一个构建 directory 并转到该目录，例如 -

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

Step 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"

Step 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

Option 2: Build with Microsoft Visual Studio 2015

为了使用 Microsoft Visual Studio 2015 自己构建并安装 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。你可以使用 Tools → Extensions and Updates…​ | Product Updates 菜单对其进行升级。

接下来，你需要下载并安装 CMake ，可从 https://cmake.org/download/ 获得。建议使用 CMake v3.12.2 ，该软件位于 https://cmake.org/download/ ，因为它已通过 MXNet 的测试。

现在，下载并运行 OpenCV 包，该包可从 https://excellmedia.dl.sourceforge.net 获得，它将解压多个文件。至于是否将它们放入另一个目录由你决定。

接下来，我们需要将环境变量 OpenCV_DIR 设置为指向我们刚刚解压的 OpenCV 构建目录。为此，打开命令提示符并键入 set OpenCV_DIR=C:\opencv\build\x64\vc14\bin 。

一个重要的问题是，如果您没有安装英特尔 MKL（Math Kernel Library），您可以安装它。

您可以使用的另一个开源包是 OpenBLAS 。在此，为了进一步说明，我们假设您正在使用 OpenBLAS 。

因此，下载可从 https://excellmedia.dl.sourceforge.net 获得的 OpenBLAS 包，并解压该文件，将其重命名为 OpenBLAS 并将其放入 C:\utils。

接下来，我们需要将环境变量 OpenBLAS_HOME 设置为指向包含 include 和 lib 目录的 OpenBLAS 目录。你可以在 C:\Program files (x86)\OpenBLAS\ 中找到该目录。

请注意，如果你已经安装了 CUDA，然后安装了 Microsoft VS2015，那么你需要重新安装 CUDA，这样你才能获得适用于 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，我们需要将环境变量 CUDACXX 设置为指向 CUDA Compiler(C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\bin\nvcc.exe （例如）。

类似地，我们还需要将环境变量 CUDNN_ROOT 设置为指向包含 include, lib 和 bin 目录的 cuDNN 目录（例如 C:\Downloads\cudnn-9.1-windows7-x64-v7\cuda ）。

一旦安装了所有必需的依赖项，请按照以下步骤来构建 MXNet 源代码 -

Step 1 − 首先，从 GitHub 下载 MXNet 源代码−

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

Step 2 − 接下来，使用 CMake 在 ./build 中创建一个 Visual Studio。

Step 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/ or ./build/Debug 文件夹中生成一个名为 mxnet.dll 的库

Step 4 − 一旦 CMake 成功完成，使用以下命令编译 MXNet 源代码

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

Central Processing Unit (CPU)

在这里，当我们使用 CPU 进行处理时，我们将使用 Pip、Docker 和源这几种方法来安装 MXNet−

By using Pip method

如果你计划在配备 CPU 的 Windows 上构建 MXNet，则可以使用 Python 包安装 MXNet，方法有两种：

Install with CPUs

使用以下命令使用 Python 安装带有 CPU 的 MXNet−

pip install mxnet

Install with Intel CPUs

如上所述，MXNet 实验性地支持 Intel MKL，还支持 MKL-DNN。使用以下命令使用 Python 安装带有 Intel CPU 的 MXNet−

pip install mxnet-mkl

By using Docker

你可以在 DockerHub 中找到具有 MXNet 的 docker 镜像，可以在 https://hub.docker.com/u/mxnet 上获得。我们通过 Docker 使用 CPU 安装 MXNet 的步骤如下：

Step 1 − 首先，通过按照可从 https://docs.docker.com/docker-for-mac/install 阅读的 Docker 安装说明进行操作。我们需要在我们的机器上安装 Docker。

Step 2 − 通过使用以下命令，您可以拉取 MXNet docker 映像−

$ docker pull mxnet/python

现在为了查看 mxnet/python docker 映像拉取是否成功，我们可以按以下方式列出 docker 映像−

$ docker images

为了获得 MXNet 的最快推理速度，建议使用带有英特尔 MKL-DNN 的最新 MXNet。

检查下面的命令−

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

Installing MXNet On Cloud and Devices

此部分重点介绍了如何在云端以及设备上安装 Apache MXNet。让我们从了解如何在云端安装 MXNet 开始。

Installing MXNet On Cloud

您还可以通过对 Graphical Processing Unit (GPU) 提供支持的几个云提供商来获取 Apache MXNet。可以找到的另外两种支持如下−

  1. 用于可扩展推理之类的用例的 GPU/CPU 混合支持。

  2. 支持使用 AWS Elastic Inference 的 Factorial GPU。

以下是提供支持 Apache MXNet 的不同虚拟机的 GPU 支持的云提供商−

The Alibaba Console

您可以使用阿里巴巴控制台创建 NVIDIA GPU Cloud Virtual Machine (VM) (可在 https://docs.nvidia.com/ngc 获得)，并使用 Apache MXNet。

Amazon Web Services

它还提供 GPU 支持，并为 Apache MXNet 提供以下服务−

Amazon SageMaker

它管理 Apache MXNet 模型的培训和部署。

AWS Deep Learning AMI

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

Dynamic Training on AWS

它对实验手动 EC2 设置以及半自动化 CloudFormation 设置提供培训。

您可以使用 Amazon Web Services 中提供的 NVIDIA VM (可在 https://aws.amazon.com 获得)。

Google Cloud Platform

Google 还提供 NVIDIA GPU cloud image ，可在 https://console.cloud.google.com 获得，可用于处理 Apache MXNet。

Microsoft Azure

Microsoft Azure Marketplace 还提供 NVIDIA GPU cloud image ，可在 https://azuremarketplace.microsoft.com 获得，可用于处理 Apache MXNet。

Oracle Cloud

Oracle 还提供 NVIDIA GPU cloud image ，可在 https://docs.cloud.oracle.com 获得，可用于处理 Apache MXNet。

Central Processing Unit (CPU)

Apache MXNet 可在每个云提供程序的仅限 CPU 的实例上运行。有各种安装方法，例如 −

  1. Python pip install instructions.

  2. Docker instructions.

  3. Amazon Web Services 等预安装选项，它提供 AWS 深度学习 AMI（具有针对 Python 2 和 Python 3 的预安装 Conda 环境，其中包括 MXNet 和 MKL-DNN）。

Installing MXNet on Devices

让我们了解如何在设备上安装 MXNet。

Raspberry Pi

您也可以在 Raspberry Pi 3B 设备上运行 Apache MXNet，因为 MXNet 也支持基于 Respbian ARM 的操作系统。为了在 Raspberry Pi3 上平稳运行 MXNet，建议使用具有 1 GB 以上内存和至少 4GB 可用空间的 SD 卡的设备。

以下是利用这些方法为 Raspberry Pi 构建 MXNet 并安装该库的 Python 绑定：

Quick installation

预先构建的 Python wheel 可用于安装在带有 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可能需要安装若干个依赖项才能让 Apache MXNet 运行。

Docker installation

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

Native Build (from source)

为了从源安装 MXNet，我们需要按照以下两个步骤操作：

Step 1

Build the shared library from the Apache MXNet C++ source code

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

  1. Git - 必需从 GitHub 拉取代码。

  2. Libblas - 必需用于线性代数运算。

  3. Libopencv - 必需用于计算机视觉相关运算。但是如果您想保存您的内存和磁盘空间，它则是可选的。

  4. C Compiler - 必需编译和构建 MXNet 源代码。以下是支持 C 11 的受支持编译器：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，利用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)

一旦您执行了上述命令，它将启动构建过程，该过程将需要几个小时才能完成。您将在构建目录中得到一个名为 libmxnet.so 的文件。

Step 2

Install the supported language-specific packages for Apache MXNet

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，通过以下命令，您也可以创建一个可使用 pip 安装的 whl package ：

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

NVIDIA Jetson Devices

您也可以在 NVIDIA Jetson 设备上（如 TX2 或 Nano ）运行 Apache MXNet，因为 MXNet 也支持基于 Ubuntu Arch64 的操作系统。为了在 NVIDIA Jetson 设备上平稳运行 MXNet，在您的 Jetson 设备上安装 CUDA 是必要的。

以下是借助其可以为 NVIDIA Jetson 设备构建 MXNet 的方式：

  1. 通过使用 Jetson MXNet pip 轮子进行 Python 开发

  2. From source

但是，在通过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 Dependencies

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

Clone the MXNet source code repository

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

Setup environment variables

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

Configure CUDA

在使用 nvcc 配置 CUDA 之前，您需要检查正在运行哪个版本的 CUDA −

nvcc --version

假设您的设备或计算机上安装了多个 CUDA 版本，并且您希望切换 CUDA 版本，那么请使用以下并将其替换为您想要的版本的符号链接−

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，让我们了解借助其可以安装 MXNet 的方式−

By using a Jetson MXNet pip wheel for Python development −如果您想使用已准备好的 Python 轮子，那么请将以下内容下载到 Jetson 并运行−

  1. MXNet 1.4.0（适用于 Python 3）可从 https://docs.docker.com 获得

  2. MXNet 1.4.0（适用于 Python 2）可从 https://docs.docker.com 获得

Native Build (from source)

为了从源安装 MXNet，我们需要按照以下两个步骤操作：

Step 1

Build the shared library from the Apache MXNet C++ source code

若要从 Apache MXNet C++ 源代码构建共享库，您可以使用 Docker 方法或手动构建−

Docker method

此方法中，您首先需要安装 Docker 并能够在不使用 sudo 的情况下运行它（在前面的步骤中也有说明）。完成后，运行以下内容以通过 Docker 执行交叉编译−

$MXNET_HOME/ci/build.py -p jetson

Manual

此方法中，您需要编辑 Makefile （使用以下命令）以使用 CUDA 绑定安装 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 之后，您需要编辑 config.mk 文件，以便对 NVIDIA Jetson 设备进行一些额外更改。

为此，请更新以下设置−

  1. 更新 CUDA 路径：USE_CUDA_PATH = /usr/local/cuda

  2. 向 CUDA_ARCH 设置中添加 -gencode arch=compute-63, code=sm_62

  3. 更新 NVCC 设置：NVCCFLAGS := -m64

  4. 启用 OpenCV：USE_OPENCV = 1

现在为了确保 MXNet 以 Pascal 的硬件级别低精度加速构建，我们需要编辑 Mshadow Makefile，如下所示：

MSHADOW_CFLAGS += -DMSHADOW_USE_PASCAL=1

最后，在以下命令的帮助下，您可以构建完整的 Apache MXNet 库：

cd $MXNET_HOME
make -j $(nproc)

一旦你执行完上述命令，它就会开始构建过程，这将需要几个小时才能完成。您将在 mxnet/lib directory 中获得一个名为 libmxnet.so 的文件。

Step 2

Install the Apache MXNet Python Bindings

在这一步中，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 .

在完成上述步骤后，你现在可以准备在你的 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__

如果一切都正常工作，它将返回版本号。