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：
-
- 首先，从C++源码编译共享库（libmxnet.so for linux，libmxnet.dylib for osx，libmxnet.dll for windows）。
- 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
- 需要 GPU 支持
-
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：
| 12 | sudo apt-get update``sudo apt-get ``install -y build-essential git libatlas-base-dev libopencv-dev |
|---|
构建MXNet：
| 1234 | 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：
| 1234 | brew update``brew tap homebrew``/science``brew info opencv``brew ``install opencv |
|---|
构建MXNet：
| 12 | 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：
| 1 | 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：
| 1 | 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:$LD_LIBRARY_PATH
或者执行命令sudo vi /etc/ld.so.conf.d/cuda.conf，在文件中添加如下内容：
/usr/local/cuda/lib64
/lib
然后再执行命令：
| 1 | sudo ldconfig -v |
|---|
MXNet的Python包有多种安装方式，最简单明了的就是 添加 PYTHONPATH 环境变量，推荐开发者使用这种安装模式。使用这种安装模式，如果更新MXNet，并重新构建共享库之后，不需要任何重新安装Python包的步骤。否则，还必须重新安装MXNet的Python安装包，才能使用最新的。
假设 mxnet 在你的主目录下，则 可以修改 ~/.bashrc 文件，并添加一行如下：
| 1 | export PYTHONPATH=~``/mxnet/python |
|---|
6. R 包安装
Windows/Mac users:
对于Windows/Mac users，有已编译好Ｒ包，可以在Ｒ控制台，直接运行如下命令：
| 123 | install``.packages(``"drat"``, repos=``"https://cran.rstudio.com"``)``drat:::addRepo(``"dmlc"``)``install``.packages(``"mxnet"``) |
|---|
由于可能会更新，所以最好每周执行上面的命令，更新。
编译安装：
在mxnet目录下，执行如下命令：
| 12345 | Rscript -e ``"install.packages('devtools', repo = 'https://cran.rstudio.com')"``cd R-package``Rscript -e ``"library(devtools); library(methods); options(repos=c(CRAN='https://cran.rstudio.com')); install_deps(dependencies = TRUE)"``cd ..``make rpkg |
|---|
如果有报缺少包的错误，则需先安装相应的R包，再执行以上命令。
比如我的R环境缺少 roxygen2 包，则在R控制台，执行如下命令：
| 1 | install.packages``(``"roxygen2"``) |
|---|
然后再执行最上面的脚本，编译出安装包，比如 mxnet_0.5.tar.gz 文件，最后执行如下命令安装：
| 1 | R CMD INSTALL mxnet_0.5.``tar``.gz |
|---|
7. 可选包安装
CUDA
下载网址： CUDA
缺省的编译不支持CUDA，所以如果要添加CUDA支持，要修改 config.mk 文件中的编译选项，使之支持CUDA。
CUDA有几种安装方式，由于文件比较大，国内有源，所以这里选择从网络安装。
下载相应的网络包，如我的是 cuda-repo-ubuntu1504_7.5-18_amd64.deb 。然后执行如下命令：
| 123 | sudo dpkg -i cuda-repo-ubuntu1504_7.5-18_amd64.deb``sudo apt-get update``sudo apt-get install cuda |
|---|
修改文件 mxnet/make/config.mk，打开CUDA支持，如下：
USE_CUDA = 1
USE_CUDA_PATH = /usr/local/cuda
如果以GPU计算模式执行报错，说找不到类似这样的库文件 libcudart.so.7.5，则要设置LD_LIBRARY_PATH，最简单的方式在你的 /etc/profile 或 ~/.bashrc 文件中添加如下语句：
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$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：
| 1 | 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：
| 1234 | 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。