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