概述

你可以在 Amazon Linux, Ubuntu/Debian, OS X, and Windows 操作系统上运行 MXNet,同时 Docker 和云服务(比如AWS)也可以运行。MXNet目前支持 Python, R, Julia 和 Scala 编程语言

配置 MXNet 详细教程:

本文还包含如下:

MXNet 设备要求
常见安装问题
编译依赖库

如果你在安装中碰到问题，并在在常见安装问题中找不到解决办法，可以在 mxnet/issues 发起提问.如果你可以解决这个问题，可以发起 pull request。细节可以参考 contribution guidelines.

设备要求

这里列出了运行 MXNet 的基本要求、在 GPU 上运行的要求、计算机视觉和图像增强的要求。

注意: 配置所有基本(仅 CPU)要求在各自的操作系统安装指南中已经说明。这里只提供给配置交替依赖(alternate dependencies)(GPU/Intel MKL 等等..)和实验的高级用户.

最低要求

你必须具备如下条件:

一个支持 C++ 11 的编译器。此编译器用来编译 MXNet 的源码。支持的编译器如下:
- G++ (4.8 or later)
- Clang
一个 BLAS (Basic Linear Algebra Subprograms) 库。BLAS 库包含了处理向量和矩阵运算的标准编译模块。你需要 BLAS 库来处理线性代数运算。支持的 BLAS 库包含如下:
Graphviz 用来查看图像.
Jupyter Notebook 用来运行例子和教程.

使用 GPU 的要求

一个计算能力(Compute Capability)2.0及以上的 GPU。计算能力(Compute Capability)是 CUDA 硬件的特性。每种计算能力的详细特性可以参考列表 CUDA Version features and specifications。 NVIDIA GPU 支持的特性，可以参考列表:CUDA GPUs.
CUDA工具包 7.0 及以上。CUDA 工具包是一个可以让 MXNet 运行在 NVIDIA GPU 上的环境，它包含了一个编译器，一个数学库和一个调试工具。参考 CUDA Toolkit download page 下载最新版。
CuDNN (CUDA Deep Neural Network) 库。CuDNN 库提供调节底层GPU性能的方法，用来调节 GPU 的计算能力。参考 CUDA Deep Neural Network 下载最新版。

计算机视觉和图像增强的要求

如果你需要支持计算机视觉和图像增强，需要安装 OpenCV.Open Source Computer Vision (OpenCV)库提供了计算机视觉和图像增强所需要的功能，详细介绍参考 OpenCV.

编译依赖库

这里介绍如何从源码编译 MXNet 的依赖库。这个方法在两种特殊环境中很有用:

如果你的服务器正在使用较早版本的 Linux，依赖的包已经找不到，或者 Yum apt-get 不能安装新版本。
如果你没有 root 权限来安装依赖包。你需要把安装目录从 /usr/local 移动到有权限的目录下。下面的例子是使用 ${HOME} 目录。

从源码编译 GCC

你需要 32-bit libc 库，来编译 GNU Complier Collection (GCC)。

根据操作系统选择一条命令来安装 libc:

		sudo apt-get install libc6-dev-i386 # In Ubuntu
		sudo yum install glibc-devel.i686   # In RHEL (Red Hat Linux)
		sudo yum install glibc-devel.i386   # In CentOS 5.8
		sudo yum install glibc-devel.i686   # In CentOS 6/7

通过下面的命令下载 GCC 源码:

		wget http://mirrors.concertpass.com/gcc/releases/gcc-4.8.5/gcc-4.8.5.tar.gz
		tar -zxf gcc-4.8.5.tar.gz
		cd gcc-4.8.5
		./contrib/download_prerequisites

通过下面命令编译 GCC:

		mkdir release && cd release
		../configure --prefix=/usr/local --enable-languages=c,c++
		make -j10
		sudo make install

将库路径添加到 ~/.bashrc:

		export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:/usr/local/lib64

编译 OpenCV

你需要 cmake库来编译 OpenCV。

如果你没有 cmake 或者 cmake 版本早于 3.6.1(比如 RHEL 默认的 cmake 版本)，通过下面的命令来安装新版 cmake:

		wget https://cmake.org/files/v3.6/cmake-3.6.1-Linux-x86_64.tar.gz
		tar -zxvf cmake-3.6.1-Linux-x86_64.tar.gz
		alias cmake="cmake-3.6.1-Linux-x86_64/bin/cmake"

通过下面命令下载 OpenCV 源码:

		wget https://codeload.github.com/opencv/opencv/zip/2.4.13
		unzip 2.4.13
		cd opencv-2.4.13
		mkdir release
		cd release/

编译 openCV。下面的命令可以编译不支持 GPU 的 openCV，这可能意味着 MXNet 程序在 GPU 上运行会比较慢。它还可能发出警告的 1394 功能

		cmake -D BUILD_opencv_gpu=OFF -D WITH_CUDA=OFF -D WITH_1394=OFF -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..
		make -j8
		sudo make install

将库路径添加到 ~/.bashrc:

		export PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig/

常见安装问题

这里介绍常见安装问题的解决办吧

普通

消息: ImportError: No module named _graphviz

原因: Graphviz 未安装.

解决: 在 Mac 上，你可以通过下面命令在安装 Graphviz

  brew install graphviz

或者使用 pip

  brew install python
  pip install graphviz

消息: RuntimeError: failed to execute [‘dot’, ‘-Tsvg’], make sure the Graphviz executables are on your systems' path

原因: Graphviz 的可执行(库)路径不再当前系统的 path 中，程序无法使用 Graphviz 绘制图像

解决: 将 Graphviz 可执行(库)路径添加到系统 path 中。在 Mac/Linux 上，Graphviz 通常安装在 - /usr/local/lib/graphviz/ or /usr/lib/graphviz/ or /usr/lib64/graphviz/ and on Windows - C:\Program Files (x86)\Graphviz2.38\bin.

注意如果你使用 Jupyter notebook,可能需要重启 kernel 来刷新系统 path。

Mac OS X 错误消息

消息: link error ld: library not found for -lgomp

原因: OpenMP 不在系统库 path 中.

解决: 将 OpenMP 添加的系统库 path 中。:

用下面命令创建定位数据库(locate database):

		sudo launchctl load -w /System/Library/LaunchDaemons/com.apple.locate.plist

用下面命令定位 OpenMP 库:
```
		locate libgomp.dylib
```
将 OpenMP 添加到系统库 path 中, 用上一条命令的输出结果替换下面命令中的 path1 :
```
		ln -s path1 /usr/local/lib/libgomp.dylib
```
用下面的命令编译你刚刚的修改:
```
		make -j$(sysctl -n hw.ncpu)
```

R 错误消息

消息 Unable to load mxnet after enabling CUDA

解决: 如果在安装时你打开了 CUDA 功能，但是不能加载 mxnet。将这些行添加到你的$RHOME/etc/ldpaths 环境变量中:

export CUDA_HOME=/usr/local/cuda
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64:${LD_LIBRARY_PATH}

注意: R 中可以通过 R.home() 命令来查找 $RHOME 环境变量.

概述