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