DMLC深度机器学习框架MXNet的编译安装

　　这篇文章将介绍MXNet的编译安装。

　　MXNet的编译安装分为两步：

1. 首先，从C++源码编译共享库（libmxnet.so for linux，libmxnet.dylib for osx，libmxnet.dll for windows）。
2. 接着，安装语言包。

1. 构建共享库依赖

　　目标是构建共享库文件。

最小构建需求：

最新的支持C++ 11的C++编译器，比如g++ >= 4.8，clang
一份BLAS库，比如libblas，atlas，openblas，或者 intel mkl

可选库：

CUDA Toolkit >= v7.0 以运行 nvidia GPUs
- 需要 GPU 支持 Compute Capability >= 2.0
CUDNN 加速 GPU computation (only CUDNN 3 is supported)
opencv 进行图像的分段

2. Ubuntu/Debian上构建

安装依赖：

sudo apt-get update
sudo apt-get install -y build-essential git libatlas-base-dev libopencv-dev

构建MXNet：

git clone --recursive https://github.com/dmlc/mxnet
cd mxnet;
cp make/config.mk .
make -j4

3. OSX上的构建

安装依赖：

brew update
brew tap homebrew/science
brew info opencv
brew install opencv

构建MXNet：

git clone --recursive https://github.com/dmlc/mxnet
cd mxnet; cp make/osx.mk ./config.mk; make -j4

4. Windows上的构建

　　Windows上，已经提供好预构建好的安装包，可以通过 https://github.com/dmlc/mxnet/releases 下载。下载之后，解压并运行目录下的 setupenv.cmd 命令即可安装设置好环境。之后，即可编译运行MXNet的C++程序，或者安装Python包。

　　当然，你也可以自己编译。

5. Python包的安装

　　MXNet Python包的前提要求：python>=2.7 and numpy

　　可运行如下命令测试：

python example/image-classification/train_mnist.py

　　或者，假如在编译的时候设置了USE_CUDA=1，可以使用GPU 0 来训练卷积神经网络。命令如下：

python example/image-classification/train_mnist.py --network lenet --gpus 0

　　如果报错，找不到类似这样的库文件 libcudart.so.7.5，则要设置LD_LIBRARY_PATH，最简单的方式在你的 /etc/profile 或 ~/.bashrc 文件中添加如下语句

　　　　export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
　　

　　或者执行命令 sudo vi /etc/ld.so.conf.d/cuda.conf，在文件中添加如下内容：

/usr/local/cuda/lib64
/lib

　　然后再执行命令：

sudo ldconfig -v

　　MXNet的Python包有多种安装方式，最简单明了的就是添加　PYTHONPATH　环境变量，推荐开发者使用这种安装模式。使用这种安装模式，如果更新MXNet，并重新构建共享库之后，不需要任何重新安装Python包的步骤。否则，还必须重新安装MXNet的Python安装包，才能使用最新的。

　　假设　mxnet　在你的主目录下，则　可以修改　~/.bashrc　文件，并添加一行如下：

export PYTHONPATH=~/mxnet/python

6. R 包安装

Windows/Mac users:

　　对于Windows/Mac users，有已编译好Ｒ包，可以在Ｒ控制台，直接运行如下命令：

install.packages("drat", repos="https://cran.rstudio.com")
drat:::addRepo("dmlc")
install.packages("mxnet")

　　由于可能会更新，所以最好每周执行上面的命令，更新。

编译安装：

　　在mxnet目录下，执行如下命令：

Rscript -e "install.packages('devtools', repo = 'https://cran.rstudio.com')"
cd R-package
Rscript -e "library(devtools); library(methods); options(repos=c(CRAN='https://cran.rstudio.com')); install_deps(dependencies = TRUE)"
cd ..
make rpkg

　　如果有报缺少包的错误，则需先安装相应的R包，再执行以上命令。

　　比如我的R环境缺少 roxygen2 包，则在R控制台，执行如下命令：

 install.packages("roxygen2")

　　然后再执行最上面的脚本，编译出安装包，比如 mxnet_0.5.tar.gz 文件，最后执行如下命令安装：

R CMD INSTALL mxnet_0.5.tar.gz

7. 可选包安装

CUDA

　　下载网址：　CUDA

　　缺省的编译不支持CUDA，所以如果要添加CUDA支持，要修改 config.mk 文件中的编译选项，使之支持CUDA。

　　CUDA有几种安装方式，由于文件比较大，国内有源，所以这里选择从网络安装。

　　下载相应的网络包，如我的是 cuda-repo-ubuntu1504_7.5-18_amd64.deb 。然后执行如下命令：

sudo dpkg -i cuda-repo-ubuntu1504_7.5-18_amd64.deb
sudo apt-get update
sudo apt-get install cuda

　　修改文件 mxnet/make/config.mk，打开CUDA支持，如下：

　　　　USE_CUDA = 1
　　　　USE_CUDA_PATH = /usr/local/cuda

　　如果以GPU计算模式执行报错，说找不到类似这样的库文件 libcudart.so.7.5，则要设置LD_LIBRARY_PATH，最简单的方式在你的 /etc/profile 或 ~/.bashrc 文件中添加如下语句：

　　　　export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
　　

　　或者执行命令 sudo vi /etc/ld.so.conf.d/cuda.conf，在文件中添加如下内容：

/usr/local/cuda/lib64
/lib

然后再执行命令：

sudo ldconfig -v

CUDNN

　　下载网址：CUDNN （需要注册申请，批准通过，才能下载）

　　缺省的编译不支持CUDNN，所以如果要添加CUDNN支持，要修改make/config.mk文件中的编译选项，使之支持CUDNN。

　　解压缩下载文件，将 include 和 lib64 拷贝放置在 /usr/local/cuda 目录下即可。

　　执行如下命令修改链接文件：

cd /usr/local/cuda/lib64
rm -rf libcudnn.so libcudnn.so.4
ln -s libcudnn.so.4.0.4 libcudnn.so.4
ln -s libcudnn.so.4 libcudnn.so

OpenCV

　　下载网址：OpenCV

　　缺省的编译支持OpenCV。

参考引用：

　　MXNet主页：　https://github.com/dmlc/mxnet/

　　MXNet编译安装参考文档：http://mxnet.readthedocs.org/en/latest/build.html

本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：DMLC深度机器学习框架MXNet的编译安装 - Python技术站