源文件可以通过tar.gz文件或git repo的形式下载：
$ git clone https://github.com/apache/singa.git $ cd singa/
如果您想为SINGA贡献代码，请参考贡献代码页面的步骤和要求。
Conda-build 是一个构建工具，它从anaconda cloud安装依赖的库并执行构建脚本。
安装conda-build(需要先安装conda)：
conda install conda-build
构建SINGA的CPU版本：
conda build tool/conda/singa/
以上命令已经在Ubuntu（14.04，16.04和18.04）和macOS 10.11上测试过。更多信息请参考Travis-CI page页面。
要构建GPU版的SINGA，计算机必须装备有Nvida GPU，而且需要安装CUDA driver(>=384.81)、CUDA toolkit(>=9)和cuDNN(>=7)。以下两个Docker镜像提供了构建环境：
构建环境准备好后，需要先导出CUDA版本，然后运行conda命令构建SINGA：
export CUDA=x.y (e.g. 9.0) conda build tool/conda/singa/
生成的包文件的位置(.tar.gz)将打印在终端上，生成的包可以直接安装：
conda install -c conda-forge --use-local <path to the package file>
若要上传到anaconda云端供他人下载安装，需要在 anaconda 上注册一个账号，才能上传包：
conda install anaconda-client anaconda login anaconda upload -l main <path to the package file>
将包上传到云端后，您可以在Anaconda Cloud上看到，也可以通过以下命令查看：
conda search -c <anaconda username> singa
每个特定的SINGA软件包都由版本和构建字符串来标识。要安装一个特定的SINGA包，需要提供所有信息，例如：
conda install -c <anaconda username> -c conda-forge singa=2.1.0.dev=cpu_py36
为了使安装命令简单化，您可以创建以下附加包，这些包依赖于最新的CPU和GPU SINGA包：
# for singa-cpu conda build tool/conda/cpu/ --python=3.6 conda build tool/conda/cpu/ --python=3.7 # for singa-gpu conda build tool/conda/gpu/ --python=3.6 conda build tool/conda/gpu/ --python=3.7
因此，当您运行：
conda install -c <anaconda username> -c conda-forge singa-xpu
时(xpu表示‘cpu’ or ‘gpu’), 相应的真正的SINGA包将作为依赖库被安装。
请参阅 SINGA Dockerfiles，了解在 Ubuntu 16.04 上安装依赖库的说明。您也可以使用 devel 映像创建一个 Docker 容器，并在容器中构建 SINGA。要使用GPU、DNNL、Python和单元测试来构建SINGA，请运行以下命令：
mkdir build # at the root of singa folder cd build cmake -DENABLE_TEST=ON -DUSE_CUDA=ON -DUSE_DNNL=ON -DUSE_PYTHON3=ON .. make cd python pip install .
CMake选项的详细内容在本页最后一节解释，上面最后一条命令是安装Python包。你也可以运行pip install -e .，它可以创建符号链接，而不是将 Python 文件复制到 site-package 文件夹中。
如果SINGA在ENABLE_TEST=ON的情况下编译，您可以通过以下方式运行单元测试:
$ ./bin/test_singa
您可以看到所有的测试案例与测试结果。如果SINGA通过了所有测试，那么您就成功安装了SINGA。
由于Centos7的软件包名称不同，因此从源码开始构建会有所不同。
基础包和库文件：
sudo yum install freetype-devel libXft-devel ncurses-devel openblas-devel blas-devel lapack devel atlas-devel kernel-headers unzip wget pkgconfig zip zlib-devel libcurl-devel cmake curl unzip dh-autoreconf git python-devel glog-devel protobuf-devel
构建必需的包：
sudo yum group install "Development Tools"
若要安装swig：
sudo yum install pcre-devel wget http://prdownloads.sourceforge.net/swig/swig-3.0.10.tar.gz tar xvzf swig-3.0.10.tar.gz cd swig-3.0.10.tar.gz ./configure --prefix=${RUN} make make install
安装gfortran：
sudo yum install centos-release-scl-rh sudo yum --enablerepo=centos-sclo-rh-testing install devtoolset-7-gcc-gfortran
安装pip和其他包：
sudo yum install epel-release sudo yum install python-pip pip install matplotlib numpy pandas scikit-learn pydot
按照《使用本地工具在Ubuntu上构建SINGA》的步骤1-5进行操作
您可以通过如下方式进行
$ ./bin/test_singa
您可以看到所有的测试案例与测试结果。如果SINGA通过了所有测试，即表示安装成功。
在Windows上使用Python支持构建SINGA的说明可以在install-win页面找到。
如果没有安装protobuf和openblas，你可以用它们一起编译SINGA
$ In SINGA ROOT folder $ mkdir build $ cd build $ cmake -DUSE_MODULES=ON .. $ make
cmake 会下载 OpenBlas 和 Protobuf (2.6.1) 并与 SINGA 一起编译。
您可以使用ccmake ..来配置编译选项。如果一些依赖的库不在系统默认路径中，则您需要手动导出以下环境变量：
export CMAKE_INCLUDE_PATH=<path to the header file folder> export CMAKE_LIBRARY_PATH=<path to the lib file folder>
编译SINGA的Python封装器选项：
$ cmake -DUSE_PYTHON=ON .. $ make $ cd python $ pip install .
我们推荐用户安装CUDA和cuDNN，以便在GPU上运行SINGA，以获得更好的性能。
SINGA已经在CUDA 9/10和cuDNN 7上进行了测试。如果cuDNN安装在非系统文件夹中，例如 /home/bob/local/cudnn/，则需要执行以下命令来让cmake在编译时能够找到它们：
$ export CMAKE_INCLUDE_PATH=/home/bob/local/cudnn/include:$CMAKE_INCLUDE_PATH $ export CMAKE_LIBRARY_PATH=/home/bob/local/cudnn/lib64:$CMAKE_LIBRARY_PATH $ export LD_LIBRARY_PATH=/home/bob/local/cudnn/lib64:$LD_LIBRARY_PATH
CUDA和cuDNN的cmake选项应该设置成“ON”：
# Dependent libs are install already $ cmake -DUSE_CUDA=ON .. $ make
用户可以启用DNNL来提高CPU的计算性能，DNNL的安装指南可以在这里找到：
SINGA在DNNL v1.1环境下已经进行过测试并通过，
若要启用DNNL支持来编译SINGA:
# Dependent libs are installed already $ cmake -DUSE_DNNL=ON .. $ make
SINGA使用opencl-headers和viennacl（版本1.7.1及以上）来支持OpenCL，它们可以通过如下方式安装：
# On Ubuntu 16.04 $ sudo apt-get install opencl-headers, libviennacl-dev # On Fedora $ sudo yum install opencl-headers, viennacl
此外，你需要在你想运行OpenCL的平台安装OpenCL Installable Client Driver（ICD）。
请注意，目前不建议在CPU上运行OpenCL，因为运行速度会很慢。内存传输是以整数秒为单位的（直观来说，CPU上是1000毫秒，而GPU上是1毫秒）。
更多关于建立OpenCL工作环境的信息可以在这里找到。
如果ViennaCL的软件包版本不是至少1.7.1，则需要从源码构建它：
从这个git repoclone版本库，切换（checkout）到release-1.7.1分支，然后构建它，并把项目路径添加到PATH，再把构建的库文件添加到LD_LIBRARY_PATH。
构建支持OpenCL的SINGA（在SINGA 1.1上测试）：
$ cmake -DUSE_OPENCL=ON .. $ make
这个设置是用来构建 Debian 软件包的。设置PACKAGE=ON，然后用make命令来编译软件包，如下所示：
$ cmake -DPACKAGE=ON $ make package
Q: ‘import singa’阶段报错
A: 请检查python -c "from singa import _singa_wrap中的详细错误。有时是由依赖库引起的，比如protobuf有多个版本，cudnn缺失，numpy版本不匹配等问题。下面展示了不同情况下的解决方案
检查cudnn和cuda。如果cudnn缺失或与wheel包的版本不一致，你可以下载正确的cudnn版本到~/local/cudnn/，然后：
$ echo "export LD_LIBRARY_PATH=/home/<yourname>/local/cudnn/lib64:$LD_LIBRARY_PATH" >> ~/.bashrc
如果是protobuf的问题。你可以将protobuf (3.6.1)从源码安装到本地文件夹，比如 ~/local/，解压tar文件，然后：
$ ./configure --prefix=/home/<yourname>local $ make && make install $ echo "export LD_LIBRARY_PATH=/home/<yourname>/local/lib:$LD_LIBRARY_PATH" >> ~/.bashrc $ source ~/.bashrc
如果找不到包括python在内的其他类库，则使用pip或conda创建虚拟环境.
如果不是上述原因造成的，请到_singa_wrap.so文件夹中查看：
$ python >> import importlib >> importlib.import_module('_singa_wrap')
来检查错误信息。例如，如果是numpy的版本不匹配，错误信息会是：
RuntimeError: module compiled against API version 0xb but this version of numpy is 0xa
那么你就需要更新numpy到更高版本。
Q: 运行cmake ...时出错，找不到依赖库。
A: 如果你还没有安装这些依赖库，请先安装它们。如果你在系统文件夹之外的文件夹中安装了库，例如/usr/local，那您需要手动导出以下变量:
$ export CMAKE_INCLUDE_PATH=<path to your header file folder> $ export CMAKE_LIBRARY_PATH=<path to your lib file folder>
Q: 来自make的错误，例如linking阶段的错误.
A: 如果您的库文件在系统默认路径以外的其他文件夹中，则需要手动导出以下变量。
$ export LIBRARY_PATH=<path to your lib file folder> $ export LD_LIBRARY_PATH=<path to your lib file folder>
Q: 来自头文件的错误，例如‘cblas.h文件不存在’
A: 您需要手动将cblas.h的文件夹包含在CPLUS_INCLUDE_PATH中，例如：
$ export CPLUS_INCLUDE_PATH=/opt/OpenBLAS/include:$CPLUS_INCLUDE_PATH
Q: 在编译SINGA时，我收到错误信息SSE2 instruction set not enabled
A:您可以尝试如下指令:
$ make CFLAGS='-msse2' CXXFLAGS='-msse2'
Q:当试图导入.py文件时，从google.protobuf.internal收到ImportError: cannot import name enum_type_wrapper。
A: 您需要安装protobuf的Python绑定包，它可以通过如下方式安装：
$ sudo apt-get install protobuf
或从源文件编译：
$ cd /PROTOBUF/SOURCE/FOLDER $ cd python $ python setup.py build $ python setup.py install
Q: 当我从源码构建OpenBLAS时，被告知需要一个Fortran编译器。
A: 您可以通过如下方式编译OpenBLAS：
$ make ONLY_CBLAS=1
或者通过如下方式安装：
$ sudo apt-get install libopenblas-dev
Q: 当我构建协议缓冲区时，它报告说在/usr/lib64/libstdc++.so.6中没有找到GLIBC++_3.4.20？
A: 这意味着链接器找到了libstdc++.so.6，但该库属于旧的GCC（用于编译和链接程序的GCC）版本。此程序依赖于新的libstdc++中定义的代码，而该代码属于较新版本的GCC，所以必须告诉链接器如何找到较新的libstdc++共享库。最简单的解决方法是找到正确的libstdc++，并将其导出到LD_LIBRARY_PATH。例如，如果下面命令的输出中列出了GLIBC++_3.4.20：
$ strings /usr/local/lib64/libstdc++.so.6|grep GLIBC++
那么接下来需要设置环境变量为：
$ export LD_LIBRARY_PATH=/usr/local/lib64:$LD_LIBRARY_PATH
Q: 当构建glog时，报告说 “src/logging_unittest.cc:83:20: error: ‘gflags’ is not a namespace-name”。
A: 可能是由于安装的gflags用了不同的命名空间，比如 “google”，所以glog找不到‘gflags’的命名空间。实际上建立glog并不需要gflags，所以你可以修改configure.ac文件来忽略gflags。
1. cd to glog src directory 2. change line 125 of configure.ac to "AC_CHECK_LIB(gflags, main, ac_cv_have_libgflags=0, ac_cv_have_libgflags=0)" 3. autoreconf
执行上述命令后，就可以重新构建glog了。
Q: 在使用虚拟环境时，每次运行pip install，都会重新安装numpy。但是，当运行import numpy时，numpy并没有被调用。
A: 可能是由于PYTHONPATH造成的，在使用虚拟环境时，应将PYTHONPATH设置为空，以避免与虚拟环境本身的路径冲突。
Q: 当从源代码编译PySINGA时，由于缺少<numpy/objectarray.h>，出现的编译错误。
A: 请安装numpy并导出numpy头文件的路径为
$ export CPLUS_INCLUDE_PATH=`python -c "import numpy; print numpy.get_include()"`:$CPLUS_INCLUDE_PATH
Q: 当我在Mac OS X中运行SINGA时，报错 “Fatal Python error: PyThreadState_Get: no current thread Abort trap: 6”
A: 这个错误通常发生在系统上有多个版本的Python，并且是通过pip安装的SINGA (通过conda安装时不会出现这个问题)，例如，操作系统自带的版本和Homebrew安装的版本。PySINGA所链接的Python必须与Python解释器（interpreter）相同。 您可以通过 which python 检查您的解释器路径并通过otool -L <path to _singa_wrap.so>检查PySINGA链接的Python路径。要解决这个问题，请用正确的 Python 版本编译 SINGA。需要注意的是，如果您从源码编译 PySINGA，您需要在调用cmake时指定路径：
$ cmake -DPYTHON_LIBRARY=`python-config --prefix`/lib/libpython2.7.dylib -DPYTHON_INCLUDE_DIR=`python-config --prefix`/include/python2.7/ ..
如果从二进制包中安装PySINGA，例如debian或wheel，那么你需要改变python解释器的路径，例如，重新设置$PATH，并把Python的正确路径放在前面的位置。