Apache MXNet - MXNet安装

要开始使用 MXNet，首先需要在计算机上安装它。Apache MXNet 几乎适用于所有平台，包括 Windows、Mac 和 Linux。

Linux操作系统

我们可以通过以下方式在 Linux 操作系统上安装 MXNet：

图形处理单元 (GPU)

这里，我们将使用 Pip、Docker 和源码三种方法来安装使用 GPU 进行处理的 MXNet：

使用 Pip 方法

您可以使用以下命令在您的 Linux 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。例如，mxnet-cu101mkl 表示：

该软件包使用 CUDA/cuDNN 构建
该软件包启用了 MKL-DNN
CUDA 版本为 10.1

其他选项，您还可以参考 https://pypi.ac.cn/project/mxnet/。

使用 Docker

您可以在 DockerHub 上找到带有 MXNet 的 Docker 镜像，网址为 https://hub.docker.com/u/mxnet。让我们看看下面使用 Docker 和 GPU 安装 MXNet 的步骤：

步骤 1 - 首先，按照位于 https://docs.docker.net.cn/engine/install/ubuntu/ 的 Docker 安装说明，我们需要在我们的机器上安装 Docker。

步骤 2 - 为了能够从 Docker 容器中使用 GPU，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。

步骤 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 镜像是否成功拉取，我们可以列出 docker 镜像，如下所示：

$ sudo docker images

为了获得 MXNet 最快的推理速度，建议使用最新的带有 Intel MKL-DNN 的 MXNet。请查看以下命令：

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

从源码编译

要从源码构建带有 GPU 的 MXNet 共享库，首先需要按照如下步骤设置 CUDA 和 cuDNN 的环境：

下载并安装 CUDA 工具包，这里推荐 CUDA 9.2。
接下来下载 cuDNN 7.1.4。
现在我们需要解压缩文件。还需要切换到 cuDNN 根目录。并将头文件和库文件移动到本地 CUDA 工具包文件夹，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

设置好 CUDA 和 cuDNN 的环境后，请按照以下步骤从源码构建 MXNet 共享库：

步骤 1 - 首先，我们需要安装必要的软件包。这些依赖项在 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

步骤 2 - 在这一步中，我们将下载 MXNet 源码并进行配置。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

步骤 3 - 使用以下命令，您可以构建 MXNet 核心共享库：

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

关于上述步骤，有两点需要注意：

如果要构建 Debug 版本，则指定如下：

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

成功构建 MXNet 核心共享库后，在您的 **MXNet 项目根目录** 的 **build** 文件夹中，您将找到 **libmxnet.so**，这是安装语言绑定（可选）所需的。

中央处理器 (CPU)

这里，我们将使用 Pip、Docker 和源码三种方法来安装使用 CPU 进行处理的 MXNet：

使用 Pip 方法

您可以使用以下命令在您的 Linux 系统上安装 MXNet：

pip install mxnet

Apache MXNet 还提供启用了 MKL-DNN 的 pip 包，在英特尔硬件上运行时速度更快。

pip install mxnet-mkl

使用 Docker

您可以在 DockerHub 上找到带有 MXNet 的 Docker 镜像，网址为 https://hub.docker.com/u/mxnet。让我们看看下面使用 Docker 和 CPU 安装 MXNet 的步骤：

步骤 1 - 首先，按照位于 https://docs.docker.net.cn/engine/install/ubuntu/ 的 Docker 安装说明，我们需要在我们的机器上安装 Docker。

步骤 2 - 使用以下命令，您可以拉取 MXNet Docker 镜像：

$ sudo docker pull mxnet/python

现在，为了查看 mxnet/python docker 镜像是否成功拉取，我们可以列出 docker 镜像，如下所示：

$ sudo docker images

为了获得 MXNet 最快的推理速度，建议使用最新的带有 Intel MKL-DNN 的 MXNet。

请查看以下命令：

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

从源码编译

要从源码构建带有 CPU 的 MXNet 共享库，请按照以下步骤操作：

步骤 1 - 首先，我们需要安装必要的软件包。这些依赖项在 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

步骤 2 - 在这一步中，我们将下载 MXNet 源码并进行配置。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

步骤 3 - 使用以下命令，您可以构建 MXNet 核心共享库：

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

关于上述步骤，有两点需要注意：

如果要构建 Debug 版本，则指定如下：

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

成功构建 MXNet 核心共享库后，在您的 MXNet 项目根目录的 **build** 文件夹中，您将找到 **libmxnet.so**，这是安装语言绑定（可选）所需的。

MacOS

我们可以通过以下方式在 MacOS 上安装 MXNet：

图形处理单元 (GPU)

如果您计划在带有 GPU 的 MacOS 上构建 MXNet，则没有可用的 Pip 和 Docker 方法。在这种情况下，唯一的方法是从源码构建。

从源码编译

要从源码构建带有 GPU 的 MXNet 共享库，首先需要设置 CUDA 和 cuDNN 的环境。您需要按照位于 https://docs.nvidia.com 的 **NVIDIA CUDA 安装指南** 和位于 https://docs.nvidia.com/deeplearning 的 **cuDNN 安装指南** 进行操作（适用于 macOS）。

请注意，2019 年 CUDA 停止支持 macOS。事实上，未来的 CUDA 版本也可能不支持 macOS。

设置好 CUDA 和 cuDNN 的环境后，请按照以下步骤从源码在 OS X (Mac) 上安装 MXNet：

步骤 1 - 由于我们需要 OS X 上的一些依赖项，首先，我们需要安装必要的软件包。

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

我们也可以在没有 OpenCV 的情况下构建 MXNet，因为 opencv 是一个可选的依赖项。

步骤 2 - 在这一步中，我们将下载 MXNet 源码并进行配置。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

对于启用 GPU 的版本，必须先安装 CUDA 依赖项，因为当尝试在没有 GPU 的机器上构建启用 GPU 的版本时，MXNet 构建无法自动检测您的 GPU 架构。在这种情况下，MXNet 将针对所有可用的 GPU 架构。

步骤 3 - 使用以下命令，您可以构建 MXNet 核心共享库：

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

关于上述步骤，有两点需要注意：

如果要构建 Debug 版本，则指定如下：

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

成功构建 MXNet 核心共享库后，在您的 **MXNet 项目根目录** 的 **build** 文件夹中，您将找到 **libmxnet.dylib**，这是安装语言绑定（可选）所需的。

中央处理器 (CPU)

这里，我们将使用 Pip、Docker 和源码三种方法来安装使用 CPU 进行处理的 MXNet：

使用 Pip 方法

您可以使用以下命令在您的 Linux 系统上安装 MXNet：

pip install mxnet

使用 Docker

您可以在 DockerHub 上找到带有 MXNet 的 Docker 镜像，网址为 https://hub.docker.com/u/mxnet。让我们看看下面使用 Docker 和 CPU 安装 MXNet 的步骤：

步骤 1 - 首先，按照位于 https://docs.docker.net.cn/docker-for-mac 的 **Docker 安装说明**，我们需要在我们的机器上安装 Docker。

步骤 2 - 使用以下命令，您可以拉取 MXNet Docker 镜像：

$ docker pull mxnet/python

现在，为了查看 mxnet/python docker 镜像是否成功拉取，我们可以列出 docker 镜像，如下所示：

$ docker images

为了获得 MXNet 最快的推理速度，建议使用最新的带有 Intel MKL-DNN 的 MXNet。请查看以下命令：

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

从源码编译

请按照以下步骤从源码在 OS X (Mac) 上安装 MXNet：

步骤 1 - 由于我们需要 OS X 上的一些依赖项，首先，我们需要安装必要的软件包。

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

我们也可以在没有 OpenCV 的情况下构建 MXNet，因为 opencv 是一个可选的依赖项。

步骤 2 - 在这一步中，我们将下载 MXNet 源码并进行配置。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

步骤 3 - 使用以下命令，您可以构建 MXNet 核心共享库：

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

关于上述步骤，有两点需要注意：

如果要构建 Debug 版本，则指定如下：

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

成功构建 MXNet 核心共享库后，在您的 **MXNet 项目根目录** 的 **build** 文件夹中，您将找到 **libmxnet.dylib**，这是安装语言绑定（可选）所需的。

Windows操作系统

要在 Windows 上安装 MXNet，以下为先决条件：

最低系统要求

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

图形处理单元 (GPU)

使用 Pip 方法：

如果您计划在带有 NVIDIA GPU 的 Windows 上构建 MXNet，则可以使用 Python 包安装支持 CUDA 的 MXNet，有两种选择：

安装 CUDA 支持

以下是我们可以使用这些步骤设置支持 CUDA 的 MXNet 的方法。

步骤 1 - 首先安装 Microsoft Visual Studio 2017 或 Microsoft Visual Studio 2015。

步骤 2 - 接下来，下载并安装 NVIDIA CUDA。建议使用 CUDA 9.2 或 9.0 版本，因为过去已发现 CUDA 9.1 中存在一些问题。

步骤 3 - 现在，下载并安装 NVIDIA_CUDA_DNN。

步骤 4 - 最后，使用以下 pip 命令安装支持 CUDA 的 MXNet：

pip install mxnet-cu92

安装 CUDA 和 MKL 支持

以下是我们可以使用这些步骤设置支持 CUDA 和 MKL 的 MXNet 的方法。

步骤 1 - 首先安装 Microsoft Visual Studio 2017 或 Microsoft Visual Studio 2015。

步骤 2 - 接下来，下载并安装 intel MKL

步骤 3 - 现在，下载并安装 NVIDIA CUDA。

步骤 4 - 现在，下载并安装 NVIDIA_CUDA_DNN。

步骤 5− 最后，使用以下 pip 命令安装带有 MKL 的 MXNet。

pip install mxnet-cu92mkl

从源码编译

要从源代码构建带有 GPU 的 MXNet 核心库，我们有以下两个选项：

选项 1− 使用 Microsoft Visual Studio 2017 构建

要使用 Microsoft Visual Studio 2017 自行构建和安装 MXNet，您需要以下依赖项。

安装/更新 Microsoft Visual Studio。

如果您的计算机上尚未安装 Microsoft Visual Studio，请先下载并安装它。
系统会提示您安装 Git。也请安装它。
如果您的计算机上已经安装了 Microsoft Visual Studio，但您想更新它，请继续执行下一步以修改您的安装。在这里，您将有机会更新 Microsoft Visual Studio。

按照https://docs.microsoft.com/en-us 中提供的说明打开 Visual Studio Installer 以修改单个组件。

在 Visual Studio Installer 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，然后单击修改。

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https://cmake.com.cn/download/ 上提供的CMake。建议使用https://cmake.com.cn/download/ 上提供的CMake v3.12.2，因为它已通过 MXNet 测试。

现在，下载并运行https://sourceforge.net/projects/opencvlibrary/ 上提供的OpenCV 包，这将解压缩多个文件。您可以选择是否将它们放在另一个目录中。这里，我们将使用路径C:\utils(mkdir C:\utils)作为我们的默认路径。

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

重要的一点是，如果您没有安装 Intel MKL（数学内核库），则可以安装它。

您可以使用的另一个开源包是OpenBLAS。在接下来的说明中，我们假设您正在使用OpenBLAS。

因此，下载https://sourceforge.net 上提供的OpenBlas 包并解压缩文件，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，请打开命令提示符并键入set OpenBLAS_HOME=C:\utils\OpenBLAS。

现在，下载并安装https://developer.nvidia.com 上提供的 CUDA。请注意，如果您已经安装了 CUDA，然后安装了 Microsoft VS2017，则现在需要重新安装 CUDA，以便您可以获得用于 Microsoft VS2017 集成的 CUDA 工具包组件。

接下来，您需要下载并安装 cuDNN。

接下来，您还需要下载并安装https://gitforwindows.org/ 上的 git。

安装所有必需的依赖项后，请按照以下步骤构建 MXNet 源代码：

步骤 1− 在 Windows 中打开命令提示符。

步骤 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

步骤 3− 接下来，验证以下内容：

DCUDNN_INCLUDE 和DCUDNN_LIBRARY 环境变量指向 CUDA 安装位置的include 文件夹和cudnn.lib 文件。

C:\incubator-mxnet 是您在上一步中刚刚克隆的源代码的位置。

步骤 4− 接下来，使用以下命令创建一个构建目录并转到该目录，例如：

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

步骤 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"

步骤 6− CMake 成功完成之后，使用以下命令编译 MXNet 源代码：

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

选项 2：使用 Microsoft Visual Studio 2015 构建

要使用 Microsoft Visual Studio 2015 自行构建和安装 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 Update 3。您可以使用工具 -> 扩展和更新... | 产品更新菜单进行升级。

接下来，您需要下载并安装https://cmake.com.cn/download/ 上提供的CMake。建议使用https://cmake.com.cn/download/ 上的CMake v3.12.2，因为它已通过 MXNet 测试。

现在，下载并运行https://excellmedia.dl.sourceforge.net 上提供的 OpenCV 包，这将解压缩多个文件。您可以选择是否将它们放在另一个目录中。

接下来，我们需要设置环境变量OpenCV_DIR 以指向我们刚刚解压缩的OpenCV 构建目录。为此，请打开命令提示符并键入 set OpenCV_DIR=C:\opencv\build\x64\vc14\bin。

重要的一点是，如果您没有安装 Intel MKL（数学内核库），则可以安装它。

您可以使用的另一个开源包是OpenBLAS。在接下来的说明中，我们假设您正在使用OpenBLAS。

因此，下载https://excellmedia.dl.sourceforge.net 上提供的OpenBLAS 包并解压缩文件，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。您可以在C:\Program files (x86)\OpenBLAS\ 中找到该目录。

请注意，如果您已经安装了 CUDA，然后安装了 Microsoft VS2015，则现在需要重新安装 CUDA，以便您可以获得用于 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，我们需要设置环境变量 CUDACXX 以指向CUDA 编译器（例如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\bin\nvcc.exe）。

同样，我们还需要设置环境变量CUDNN_ROOT 以指向包含include、lib 和bin 目录的cuDNN 目录（例如C:\Downloads\cudnn-9.1-windows7-x64-v7\cuda）。

安装所有必需的依赖项后，请按照以下步骤构建 MXNet 源代码：

步骤 1− 首先，从 GitHub 下载 MXNet 源代码：

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

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

步骤 3− 现在，在 Visual Studio 中，我们需要打开解决方案文件.sln 并编译它。这些命令将在./build/Release/ 或./build/Debug 文件夹中生成一个名为mxnet.dll 的库。

步骤 4− CMake 成功完成之后，使用以下命令编译 MXNet 源代码：

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

中央处理器 (CPU)

这里，我们将使用 Pip、Docker 和源码三种方法来安装使用 CPU 进行处理的 MXNet：

使用 Pip 方法

如果您计划在 Windows 上使用 CPU 构建 MXNet，则可以使用 Python 包安装 MXNet 的两种方法：

使用 CPU 安装

使用以下命令使用 Python 安装带有 CPU 的 MXNet：

pip install mxnet

使用 Intel CPU 安装

如上所述，MXNet 也实验性地支持 Intel MKL 和 MKL-DNN。使用以下命令使用 Python 安装带有 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 上找到带有 MXNet 的 Docker 镜像。让我们查看以下步骤，以使用 Docker 和 CPU 安装 MXNet：

步骤 1− 首先，按照https://docs.docker.net.cn/docker-for-mac/install 中提供的 Docker 安装说明进行操作。我们需要在我们的机器上安装 Docker。

步骤 2 - 使用以下命令，您可以拉取 MXNet Docker 镜像：

$ docker pull mxnet/python

现在，为了查看 mxnet/python docker 镜像是否成功拉取，我们可以列出 docker 镜像，如下所示：

$ docker images

为了获得 MXNet 最快的推理速度，建议使用最新的带有 Intel MKL-DNN 的 MXNet。

查看以下命令：

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

在云端和设备上安装 MXNet

本节重点介绍如何在云端和设备上安装 Apache MXNet。让我们首先学习如何在云端安装 MXNet。

在云端安装 MXNet

您还可以在多个云提供商处获得支持图形处理单元 (GPU) 的 Apache MXNet。您可以找到的其他两种支持如下：

GPU/CPU 混合支持，用于可扩展推理等用例。
使用 AWS Elastic Inference 的阶乘 GPU 支持。

以下是提供支持不同 Apache MXNet 虚拟机的 GPU 支持的云提供商：

阿里巴巴控制台

您可以使用阿里巴巴控制台创建https://docs.nvidia.com/ngc 上提供的NVIDIA GPU 云虚拟机 (VM) 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 模型的训练和部署。

AWS Deep Learning AMI

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

AWS 上的动态训练

它提供实验性手动 EC2 设置以及半自动 CloudFormation 设置的训练。

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

Google Cloud Platform

Google 还提供https://console.cloud.google.com 上提供的NVIDIA GPU 云镜像，用于与 Apache MXNet 配合使用。

Microsoft Azure

Microsoft Azure Marketplace 还提供https://azuremarketplace.microsoft.com 上提供的NVIDIA GPU 云镜像，用于与 Apache MXNet 配合使用。

Oracle Cloud

Oracle 还提供https://docs.cloud.oracle.com 上提供的NVIDIA GPU 云镜像，用于与 Apache MXNet 配合使用。

中央处理器 (CPU)

Apache MXNet 可在每个云提供商的仅 CPU 实例上运行。有各种安装方法，例如：

Python pip 安装说明。
Docker 说明。
预安装选项，例如 Amazon Web Services，它提供 AWS Deep Learning AMI（为 Python 2 和 Python 3 提供预安装的 Conda 环境，其中包含 MXNet 和 MKL-DNN）。

在设备上安装 MXNet

让我们学习如何在设备上安装 MXNet。

树莓派

您还可以在树莓派 3B 设备上运行 Apache MXNet，因为 MXNet 也支持基于 Respbian ARM 的操作系统。为了在树莓派 3 上流畅运行 MXNet，建议使用内存超过 1 GB 且 SD 卡至少有 4 GB 可用空间的设备。

以下是您可以用来为树莓派构建 MXNet 并安装库的 Python 绑定的方法：

快速安装

预构建的 Python wheel 可用于在具有 Stretch 的树莓派 3B 上进行快速安装。此方法的一个重要问题是，我们需要安装多个依赖项才能使 Apache MXNet 正常工作。

Docker 安装

您可以按照https://docs.docker.net.cn/engine/install/ubuntu/ 上提供的 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)。

原生构建（从源代码）

要从源代码安装 MXNet，我们需要执行以下两个步骤：

步骤 1

从 Apache MXNet C++ 源代码构建共享库

要在树莓派 Wheezy 及更高版本上构建共享库，我们需要以下依赖项：

Git− 需要从 GitHub 拉取代码。
Libblas− 用于线性代数运算。
Libopencv− 用于计算机视觉相关运算。但是，如果您想节省RAM和磁盘空间，它是可选的。
C++编译器− 用于编译和构建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源代码仓库。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，使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)

执行上述命令后，将开始构建过程，此过程可能需要几个小时才能完成。您将在build目录中获得一个名为libmxnet.so的文件。

步骤2

安装Apache MXNet支持的特定语言包

在此步骤中，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 python
pip install --upgrade pip
pip install -e .

或者，使用以下命令，您还可以创建一个可以使用pip安装的whl包：

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

NVIDIA Jetson设备

您还可以在NVIDIA Jetson设备（例如TX2或Nano）上运行Apache MXNet，因为MXNet也支持基于Ubuntu Arch64的操作系统。为了使MXNet在NVIDIA Jetson设备上平稳运行，您的Jetson设备上必须安装CUDA。

以下是您可以用来为NVIDIA Jetson设备构建MXNet的方法：

使用Jetson MXNet pip wheel进行Python开发
从源码编译

但是，在通过上述任何方法构建MXNet之前，您需要在Jetson设备上安装以下依赖项：

Python依赖项

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

克隆MXNet源代码仓库

在您的主目录中使用以下git命令克隆MXNet源代码仓库：

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

设置环境变量

将以下内容添加到您主目录中的.profile文件中：

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

配置CUDA

在使用nvcc配置CUDA之前，您需要检查正在运行的CUDA版本：

nvcc --version

假设，如果您的设备或计算机上安装了多个CUDA版本，并且您想切换CUDA版本，则使用以下命令并将符号链接替换为您想要的版本：

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

上述命令将切换到CUDA 10.0，该版本预安装在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，让我们了解您可以安装MXNet的方法：

使用Jetson MXNet pip wheel进行Python开发− 如果您想使用预先准备好的Python wheel，请将以下内容下载到您的Jetson并运行它：

MXNet 1.4.0（适用于Python 3）可在https://docs.docker.net.cn 获取
MXNet 1.4.0（适用于Python 2）可在https://docs.docker.net.cn 获取

原生构建（从源代码）

要从源代码安装 MXNet，我们需要执行以下两个步骤：

步骤 1

从 Apache MXNet C++ 源代码构建共享库

要从Apache MXNet C++源代码构建共享库，您可以使用Docker方法或手动执行：

Docker方法

在此方法中，您首先需要安装Docker并能够在无需sudo的情况下运行它（这也在之前的步骤中进行了说明）。完成后，运行以下命令以通过Docker执行交叉编译：

$MXNET_HOME/ci/build.py -p jetson

手动方法

在此方法中，您需要编辑Makefile（使用以下命令）以安装具有CUDA绑定的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后，您需要编辑config.mk文件以对NVIDIA Jetson设备进行一些额外更改。

为此，请更新以下设置：

更新CUDA路径：USE_CUDA_PATH = /usr/local/cuda
将-gencode arch=compute-63,code=sm_62添加到CUDA_ARCH设置中。
更新NVCC设置：NVCCFLAGS := -m64
启用OpenCV：USE_OPENCV = 1

现在，为了确保MXNet使用Pascal的硬件级低精度加速进行构建，我们需要按如下方式编辑Mshadow Makefile：

MSHADOW_CFLAGS += -DMSHADOW_USE_PASCAL=1

最后，您可以使用以下命令构建完整的Apache MXNet库：

cd $MXNET_HOME
make -j $(nproc)

执行上述命令后，将开始构建过程，此过程可能需要几个小时才能完成。您将在mxnet/lib目录中获得一个名为libmxnet.so的文件。

步骤2

安装Apache MXNet Python绑定

在此步骤中，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 .

完成上述步骤后，您现在就可以在NVIDIA Jetson TX2或Nano设备上运行MXNet了。可以使用以下命令进行验证：

import mxnet
mxnet.__version__

如果一切正常，它将返回版本号。

打印页面

上一步

下一步

Apache MXNet - MXNet安装

Linux操作系统

图形处理单元 (GPU)

使用 Pip 方法

使用 Docker

从源码编译

中央处理器 (CPU)

使用 Pip 方法

使用 Docker

从源码编译

MacOS

图形处理单元 (GPU)

从源码编译

中央处理器 (CPU)

使用 Pip 方法

使用 Docker

从源码编译

Windows操作系统

最低系统要求

推荐系统要求

图形处理单元 (GPU)

使用 Pip 方法：

安装 CUDA 支持

安装 CUDA 和 MKL 支持

从源码编译

中央处理器 (CPU)

使用 Pip 方法

使用 Docker

在云端和设备上安装 MXNet

在云端安装 MXNet

阿里巴巴控制台

Amazon Web Services

Amazon SageMaker

AWS Deep Learning AMI

AWS 上的动态训练

Google Cloud Platform

Microsoft Azure

Oracle Cloud

中央处理器 (CPU)

在设备上安装 MXNet

树莓派

快速安装

Docker 安装

原生构建（从源代码）

步骤 1

步骤2

NVIDIA Jetson设备

Python依赖项

克隆MXNet源代码仓库

设置环境变量

配置CUDA

原生构建（从源代码）

步骤 1

Docker方法

手动方法

步骤2