Win10 系统下快速搭建mxnet框架cpu版本

下面就是Win10系统下快速搭建mxnet框架cpu版本的完整攻略。

安装Anaconda

1. 下载Anaconda：https://www.anaconda.com/distribution/，选择对应的Python版本和操作系统版本进行下载。
2. 双击下载好的Anaconda安装包，按照提示进行安装即可。安装完成后，可以在命令行窗口中输入conda命令进行测试。

创建虚拟环境

1. 打开Anaconda Prompt命令行窗口，输入以下命令创建一个名为“mxnet_env”的虚拟环境：

shell
conda create -n mxnet_env python=3.7

其中，“mxnet_env”为虚拟环境的名称，你可以自己设定。

1. 激活虚拟环境，执行以下命令：

shell
activate mxnet_env

激活成功后，命令提示符会显示当前所在虚拟环境的名称。

安装mxnet

1. 执行以下命令添加小木虫mxnet源：

shell
conda config --add channels http://conda.anaconda.org/smallmuou

1. 执行以下命令进行mxnet的安装：

shell
conda install mxnet-cpu==1.7.0

注意：该命令会安装mxnet的CPU版本，如果需要安装GPU版本，可以将命令改为conda install mxnet-gpu==1.7.0。

测试mxnet

1. 在虚拟环境中执行以下Python代码：

```python
import mxnet as mx

# 创建一个1x2的矩阵
a = mx.nd.ones((1, 2))

# 创建一个2x1的矩阵
b = mx.nd.ones((2, 1))

# 矩阵相乘
c = mx.nd.dot(a, b)

# 输出结果
print(c)
```

执行成功并输出结果后，说明mxnet已经安装成功。

1. 进一步测试mxnet，可以使用它来跑一下简单的神经网络示例。以下是一个使用mxnet训练Fashion-MNIST数据集的示例代码：

```python
import mxnet as mx
from mxnet import gluon, init, autograd, nd
from mxnet.gluon import nn
from mxnet.gluon.data.vision import transforms
from mxnet.gluon.data.vision import datasets

# 加载数据集
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize(0.13, 0.31)])

mnist_train = datasets.FashionMNIST(train=True).transform_first(transform)
mnist_valid = datasets.FashionMNIST(train=False).transform_first(transform)

batch_size = 128
train_data = gluon.data.DataLoader(mnist_train, batch_size=batch_size, shuffle=True)
test_data = gluon.data.DataLoader(mnist_valid, batch_size=batch_size, shuffle=False)

# 定义模型
net = nn.Dense(10)

# 初始化模型参数
net.initialize(init.Normal(sigma=0.01))

# 定义损失函数
softmax_cross_entropy = gluon.loss.SoftmaxCrossEntropyLoss()

# 定义优化器
trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': 0.1})

# 训练模型
epochs = 10
for epoch in range(epochs):
train_loss = 0.
train_acc = 0.

   for data, label in train_data:
       with autograd.record():
           output = net(data)
           loss = softmax_cross_entropy(output, label)
       loss.backward()
       trainer.step(batch_size)

       train_loss += nd.mean(loss).asscalar()
       train_acc += accuracy(output, label)

   train_loss /= len(train_data)
   train_acc /= len(train_data)

   print("Epoch [%d]: Loss=%.4f, Acc=%.4f" % (epoch+1, train_loss, train_acc))

```

以上示例代码是一个简单的单层全连接神经网络。在运行该代码前，需要首先下载并安装Fashion-MNIST数据集。运行成功后，可以观察到训练过程中损失函数和分类准确率的变化情况，以及最终的训练结果。