MXNet 学习 (1) --- 最易上手的深度学习开源库 --- 安装及环境搭建

标签：

　　安装环境：Win 10 专业版 64位 + Visual Studio 2015 Community。

　　记录下自己在有GPU的环境下安装配置MXNet的过程。该过程直接使用MXNet release 的 pre-built 包，没有自己使用CMake编译。网上有很多自己编译的教程，过程都比较繁琐，直接使用release包对新手来说更加简单方便。

　　选择MXNet的原因是因为看了《Caffe、TensorFlow、MXNet三个开源库的对比》这篇博文，其中指出MXNet相对来说是最易上手的深度学习开源库，所以选择该开源库作为初学工具。

• 官方文档

　　Getting Started: http://mxnet.readthedocs.io/en/latest/get_started/ 

•  安装

1. 配置MXNet的pre-built包

   • 下载链接：https://github.com/dmlc/mxnet/releases
   分为不支持GPU的版本和支持GPU的版本，我的电脑支持GPU，因此选择gpu版本的。
   • 
   • 解压pre-built包到合适的位置，如 E:\MXNet；
   • 运行setupenv.cmd，该步骤会帮助添加各种系统环境变量，运行后可以检查下自己的系统环境变量是否正确
     • 
     • 解压的包里有readme文档，可作为安装过程中的参考。

2. 配置cuDNN

   • 下载链接：https://developer.nvidia.com/cudnn （需要注册为开发者后才能下载）
     
   • 解压cuDNN包，将目录下的bin、include和lib文件夹copy到E:\MXNet\3rdparty\cudnn目录下，覆盖原文件

3. 安装Python2 (version 2.7.11) / Python3 (version 3.5.1)

• 最好python3和python2都安装，虽然发现后面运行默认使用的是python3
• 下载地址：https://www.python.org/downloads/ 选择64位的安装包
• pre-built包是64位的，所以记得安装64位的Python，选择自定义安装，并勾选添加路径到系统变量选项，没有勾选的需要手动添加python安装路径到环境变量。刚开始不小心装了32位的，结果运行报错

4. 安装MXNet的python包

   • cmd模式下进入目录 E:\MXNet\python，如下所示：
     • 
   • 运行python setup.py install，等待安装完毕。安装过程会下载安装python的numpy模块，记得检查是否有错误，如果有错，需要重新运行。
     • 我自己在安装的时候因为网络不好，好几次都超时中断了。
   • 运行readme文档里的实例代码，看是否正确
     • 

        

参考其他文章，后续可能会用到以下工具，留在这里备忘：

1. OpenCV (version 3.1)：OpenCV3.1已经发布，但是只有64位版的。需要32位版本的建议使用OpenCV3.0

　　下载链接：http://opencv.org/downloads.html

2. OpenBlas

　　BLAS (Basic Linear Algebra Subprograms)：基础线性代数子程序库，是一个应用程序接口（API）标准，说的简单点就是向量、矩阵之间乘加这些运算。

　　OpenBlas是BLAS的开源优化库，支持CPU多线程。

　　看到解压出来的 MXNet pre-built包的3rdparty文件夹下有openblas，应该不用自己再下载了。

　　单独的下载链接为：https://sourceforge.net/projects/openblas/files/latest/download?source=files

　　相关文档：https://github.com/xianyi/OpenBLAS/wiki/Document

 3. CMake工具

　　非常强大的编译自动配置工具，可以根据不同平台、不同的编译器，生成相应的Makefile或者vcproj项目。

　　下载链接：https://cmake.org/download/

　　入门参考：http://www.cnblogs.com/sinojelly/archive/2010/05/22/1741337.html

MXNet 学习 (1) --- 最易上手的深度学习开源库 --- 安装及环境搭建

标签：

原文地址：http://www.cnblogs.com/balmy/p/deep_learning_for_dummies.html