ubuntu 16.04 部署 mxnet

 

        mxnet 是深度学习领域的主流框架之一，是 Amazon 的 AWS 默认的深度学习引擎，本文详细描述了在 ubuntu16.04 系统安装 mxnet 的步骤。

 

    1. 安装 ubuntu16.04；

 

        默认设置即可。

 

    2. 安装 CUDA；

 

        安装CUDA9.0。

 

        可参考“手把手教你装 CUDA（Ubuntu14.04）”，文章描述了在 ubuntu14.04 上安装 CUDA7.0 的步骤。

 

    3. 安装 cuDNN；

 

        cuDNN 要和 CUDA 的版本匹配，我们来安装 cudnn-9.0-linux-x64-v7 版本。

 

        将 cudnn-9.0-linux-x64-v7.tgz 拷贝到相关目录下。

        $ tar cudnn-9.0-linux-x64-v7.tgz

        $ cd cuda

        $ cd include

        $ sudo cp cudnn.h /usr/local/include/.

        将头文件拷贝到系统头文件目录下。

        $ cd ../lib64

        $ sudo cp libcudnn.so.7.0.5 /usr/local/lib/.

        $ sudo cp libcudnn_static.a /usr/local/lib/.

        将库文件拷贝到系统库文件目录下。

        $ cd /usr/local/lib

        $ sudo ln –s libcudnn.so.7.0.5 libcudnn.so.7

        $ sudo ln –s libcudnn.so.7 libcudnn.so

        进入系统库文件目录，重新设定软链接。

        $ sudo ldconfig

 

    4. 安装依赖软件；

 

        $ sudo apt-get instll git

        $ sudo apt-get install build-essential

        $ sudo apt-get install libatlas-base-dev

        $ sudo apt-get install libopencv-dev

        $ sudo apt-get install graphviz

        $ sudo apt-get install python-numpy

        $ sudo apt-get install python-setuptools

        $ sudo apt-get install python-pip

 

         5. pip安装依赖软件；

 

        $ sudo pip install graphviz

        $ sudo pip install jupyter

        $ sudo pip install sklearn

        $ sudo pip install scipy

        $ sudo pip install opencv-python

        $ sudo pip install scikit-image

        $ sudo pip install easydict

 

         6. 安装 mxnet；

 

        在用户的家目录下新建目录 mxnet_install，进入该目录，克隆下载 mxnet。

 

        $ cd ~/mxnet_install

        $ git clone https://github.com/dmlc/mxnet.git --recursive

        成功执行后，该目录下有 mxnet 目录。

 

        $ cd mxnet

        $ cp make/config.mk .

        编辑 config.mk 文件内容，第 70 行开始，设定 USE_CUDA、USE_CUDA_PATH 和 USE_CUDNN 三项的内容。

        $ vi config.mk

            USE_CUDA = 1

            USE_CUDA_PATH = /usr/local/cuda

            USE_CUDNN = 1

        然后我们可以来编译了，make 后面是可以跟参数的。我们的机器上装了 2 个 E5-2630 v4 的 CPU，有 20 核，所以我们的编译命令是：

        $ make –j20

        $ cd python

        $ sudo python setup.py install

        成功安装mxnet 1.3.0

 

         7. 运行准备；

 

        运行时需要调用 CUDA 的库，我们在 /etc/ld.so.conf.d 目录下新建 mxnet.conf 文件，将所需要用到的库的目录写入。

 

        $ sudo vi /etc/ld.so.conf.d/mxnet.conf

        增加内容

             /usr/local/cuda/lib64

        $ sudo ldconfig

 

         8. 运行样例；

 

        我们运行 ~/mxnet_install/mxnet/example/image-classification 目录下的 mnist 样例。

 

        $ cd ~/mxnet_install/mxnet/example/image-classification

        $ time python train_mnist.py

        1m27s运行结束，每秒处理 23651 个samples。

 

        我们再用 gpu 跑一次，机器上插有 1 片 K80，K80 是双核心卡，如果要使用 1 个 gpu 设备，命令是：

        $ time python train_mnist.py --gpus 0

        或者

        $ time python train_mnist.py --gpus 1

        39s 运行结束，每秒处理 40417 个 samples，可以看出 gpu 确有加速效果。

 

        如果要同时使用 2 个 gpu 设备，命令是

        $ time python train_mnist.py --gpus 0,1

 

        尊重作者辛勤劳动，转载请注明出处。