MxNet系列——get_started——windows_setup

博客新址: http://blog.xuezhisd.top
邮箱：xuezhisd@126.com

---

Windows上安装 MXNet

在Windows上，你可以直接下载和安装已经编译过的MXNet工具包，或者自行下载，构建，安装MXNet。

构建MXNet共享库（动态链接库）

两种方法：既可以直接下载并使用已预编译过的二进制包，也可以从源代码自行构建MXNet共享库 - libmxnet.dll。

Windows上安装已编译的MXNet工具包。

MXNet 为Windows用户提供了已编译的MXNet工具包。已编译过的工具包包含了MXNet库，所有的第三方依赖库，一个Visual Studio的例程项目，和Python安装脚本。安装步骤如下所示：

1. 从 MXNet Releases 列表中下载最新的预编译的工具包。有2个版本，一个支持GPU（使用CUDA和CUDNN v3），另一个不支持GPU。请选择并下载适合你的硬件配置（关键在于，有无NVIDIA显卡）的版本。关于哪个版本在哪种硬件上工作，请查看 Requirements for GPU。
2. 解压下载的压缩包，并重命名，比如 D:\MXNet。
3. 打开文件夹，双击 setupenv.cmd进行安装。它将会设置MXNet需要的所有环境变量
4. 测试安装是否成功。通过构建文件夹中的 Visual Studio 的例程项目，来测试是否安装成功。

这将会生成一个动态链接库 libmxnet.dll。

Windows上构建和安装MXNet

如果你要在Windows上自行构建和安装MXNet，你需要安装下面的依赖库：

1. 如果还没有安装 Microsoft Visual Studio 2013，请下载并安装它。你可以下载和安装免费的社区版。
2. 安装 Visual C++ Compiler Nov 2013 CTP.
3. 将 C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC文件夹中的所有文件备份到其它地方去。
4. 将 C:\Program Files (x86)\Microsoft Visual C++ Compiler Nov 2013 CTP文件夹（注意：解压目录）中的所有文件复制到 C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC目录下，并覆盖所有已存的文件。
5. 下载并安装 OpenCV。
6. 解压OpenCV压缩包。
7. 设置环境变量 OpenCV_DIR指向OpenCV构建目录 OpenCV build directory。
8. 如果你没有安装 Intel Math Kernel Library (MKL)，下载并安装 OpenBlas。
9. 设置环境变量 OpenBLAS_HOME指向 OpenBLAS目录，该目录下有 include和 lib文件夹。默认安装位置为：C:\Program files (x86)\OpenBLAS\。
10. 下载并安装 CuDNN。访问下载链接，需要注册成为NVIDIA社区用户。

安装完所有的依赖库之后，按照下面的步骤构建MXNet源码：

1. 从 GitHub 下载 MXNet 源代码。
2. 使用 CMake ，在 ./build目录下，创建一个 Visual Studio 解决方案。
3. 使用 Visual Studio，打开解决方案文件 .sln，并编译它。这些操作之后，会 生成一个叫做 mxnet.dll 动态链接库，它位于 ./build/Release/ 或 ./build/Debug 目录。

下面安装 graphviz库，它用于可视化神经网络。我们也将安装 Jupyter Notebook，它用于运行MXNet教程和例程。

• 下载 Graphviz。双击安装即可。
  注意： 务必将 graphviz 可执行文件所在的目录添加到环境变量 PATH中。参考 here for more details。
• 通过安装 Anaconda for Python 2.7来安装 Jupyter。
  注意： 不要安装 Anaconda for Python 3.5。MXNet 和 Python 3.5 有些兼容问题。

我们已经安装了MXNet的核心库。接下来，我们将会为你选择的编程语言安装MXNet接口包：

• Python
• R
• Julia
• Scala

安装MXNet的Python接口

1. 安装 Python。 点此下载。
2. 安装 Numpy。点此下载。
3. 接下来，安装MXNet的Python接口。 MXNet的Python接口的位置 MXNet on GitHub。

# 假定当前工作目录是MXNet源代码的根目录
cd python
sudo python setup.py install

至此，MXNet的Python接口已经安装完了。执行下面的命令，验证是否安装成功。

# 打开 Python 终端
python

# 如果安装成功，导入mxnet时，不会有任何问题
>>> import mxnet as mx;
>>> a = mx.nd.ones((2, 3));
>>> print ((a*2).asnumpy());
    [[ 2.  2.  2.]
    [ 2.  2.  2.]]

上面的代码使用MXNet完成了一个简单的张量计算。至此，你已经在Windows中将MXNet完整配置完了。

安装MXNet的R语言接口

MXNet的R语言接口支持CPUs/GPUs。

在带CPU的计算机上安装MXNet

在带CPU的计算机上安装MXNet，有两个选择：

• 使用预编译的二进制包
• 从源代码自己构建MXNet库

使用预编译的二进制包安装MXNet的R语言接口

对于Windows用户，MXNet提供了CPU版本的预编译的二进制包，每周都会更新。你可以在R控制台中使用下面的命令直接安装：

install.packages("drat", repos="https://cran.rstudio.com")
drat:::addRepo("dmlc")
install.packages("mxnet")

从源代码自己构建MXNet库

执行下面的命令，安装MXNet依赖，并构建MXNet的R包：

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

注意： R-package 是MXNet根目录中的一个文件夹。

这些命令将创建一个MXNet的R包，它是一个 tar.gz 文件。你可以将其作为一个R包进行安装。执行下面的命令（注意 MXNet 的版本号），安装R包：

R CMD INSTALL mxnet_0.7.tar.gz

在带GPU的计算机上安装 MXNet

在带GPU的计算机上安装 MXNet，你需要一下工具：

• Visual Studio 2013

• CUDA 工具包

• MXNet 工具包

• CuDNN (提供深度神经网络库)

下面安装依赖环境和安装MXNet的R语言接口：

1. 如果还没有安装 Microsoft Visual Studio 2013，下载并安装它。你可以下载和安装免费的社区版。
2. 安装 CUDA 工具包。CUDA 工具包依赖于 Visual Studio。了解你的GPU和CUDA是否兼容和更多信息，请查看 CUDA Installation Guide。
3. 从 MXNet Github repository 下载MXNet包，并解压。下面，你会编辑 "/mxnet/R-package"文件夹。
4. 从 Releases 列表中，下载最新的支持GPU的MXNet包。解压文件，并切换到 /nocudnn目录。
   注意： 你将会将一些文件复制到 MXNet 的 R-package 文件夹。当前的两个工作目录是：R-package/和 nocudnn/。
5. 下载和安装 CuDNN V3。访问下载链接时，需要注册为NVIDIA社区会员。解压 .zip 文件，可以看见3个文件夹： /bin, /include, 和 /lib。将这些文件夹复制到 nocudnn/3rdparty/cudnn/目录下，替换原来的文件夹。你也可以直接将 .zip 文件解压到 nocudnn/ 文件夹。
6. 创建 R-package/inst/libs/x64文件夹。MXNet 只支持 64-bit 操作系统，所以你需要 x64 文件夹。
7. 将下面的动态链接库 (.dll 文件) 复制到 R-package/inst/libs/x64目录：
   • nocudnn/lib/libmxnet.dll。
   • nocudnn/3rdparty/的4个子目录下的所有 *.dll 文件。cudnn 和 openblas .dll 文件位于 /bin 目录。
     现在，R-package/inst/libs/x64 文件夹中应该有 11 个 .dll 文件。
8. 将 nocudnn/include/文件夹复制到 R-package/inst/中。现在，你应该有一个名字为 R-package/inst/include/文件夹，它有3个子文件夹。
9. 确认 R 已经添加到环境变量 PATH中。在终端中输入命令 where R，将会返回它的位置。
10. 执行命令 R CMD INSTALL --no-multiarch R-package，进行安装。

注意： 为了最大化它的可移植性，MXNet库 is built with the Rcpp end。Windows操作系统需要 MSVC (Microsoft Visual C++) 来处理 CUDA 工具链的兼容性。

安装MXNet的Julia接口

MXNet的Julia接口存放在一个独立的仓库 MXNet.jl 中。为了使用 Julia，将其绑定到已经安装的 libmxnet。 通过执行下面的命令，来设置环境变量 MXNET_HOME：

export MXNET_HOME=/<path to>/libmxnet

上面命令中的 libmxnet 的安装路径，是指 libmxnet 的根目录。换句话说，你可以在 $MXNET_HOME/lib目录下找到 libmxnet.so。比如，如果 libmxnet 的所在的目录是 ~，你应该执行下面的命令：

export MXNET_HOME=/~/libmxnet

你可能希望将这个命令添加到 ~/.bashrc文件中。如果已经添加，你可以使用下面的命令，在Julia控制台中安装Julia包：

Pkg.add("MXNet")

更多关于安装和使用MXNet的Julia接口的细节，请查看 MXNet Julia documentation。

安装MXNet的Scala接口

安装MXNet的Scala接口的方法有有2种：

• 使用预编译的二进制包

• 从源代码构建MXNet的Scala库

使用预编译的二进制包

对于 Linux 和 OS X (Mac) 用户，MXNet提供了预编译的二进制包，既支持支持CPU，也支持GPU。使用 Maven下载和构建这个包，在下面的Maven依赖中， 根据你的硬件架构改变 artifactId：

<dependency>
  <groupId>ml.dmlc.mxnet</groupId>
  <artifactId>mxnet-full_<system architecture></artifactId>
  <version>0.1.1</version>
</dependency>

例如，下载和构建 64-bit OS X 只支持CPU的版本，使用下面的命令：

<dependency>
  <groupId>ml.dmlc.mxnet</groupId>
  <artifactId>mxnet-full_2.10-linux-x86_64-gpu</artifactId>
  <version>0.1.1</version>
</dependency>

如果你的本地环境与集成包稍微不同，例如，如果你使用的不是atlas而是openblas，最好使用mxnet-core包，并使用编译后的Java本地包的路径 mxnet-core_2.10 。

<dependency>
  <groupId>ml.dmlc.mxnet</groupId>
  <artifactId>mxnet-core_2.10</artifactId>
  <version>0.1.1</version>
</dependency>

从源代码构建MXNet的Scala库

在从源代码构建MXNet的Scala库之前，你必须完成 第一步，构建共享库。之后，在MXNet根目录中，运行下面的命令来构建MXNet的Scala库：

make scalapkg

这个命令将会为assembly, core, 和 example创建JAR文件。它也会在 native/{your-architecture}/target directory目录下创建本地库，它可以和其它核心模块协同工作。

在MXNet根目录下，执行下面的命令，将MXNet的Scala包安装到本地Maven仓库：

make scalainstall

下一步

• 教程
• 如何办系列
• 架构