其他分享
首页 > 其他分享> > MXNet安装

MXNet安装

作者:互联网

日萌社

人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新)


1.官网下载安装:http://mxnet.incubator.apache.org/get_started

2.Window安装GPU版本的MXNet
	http://mxnet.incubator.apache.org/get_started/windows_setup.html#install-with-nvidia-gpus

1.mxnet安装
	1.方法一:Window装的是CUDA 10.0、cuDNN v7.6.5.32,那么可以选配安装的是 mxnet-cu100==1.5.1

	2.方法二:官方MXNet文档的安装指引 https://zh.d2l.ai/chapter_prerequisite/install.html

2.d2lzh安装
	方式一(建议):https://zh.d2l.ai/chapter_prerequisite/install.html

	方式二:https://pypi.org/project/d2lzh/ 可以查看安装的d2lzh版本和命令
3.Python验证安装是否成功
	http://mxnet.incubator.apache.org/get_started/validate_mxnet#python

>>> import mxnet as mx
>>> a = mx.nd.ones((2, 3), mx.gpu())
>>> b = a * 2 + 1
>>> b.asnumpy()
array([[ 3.,  3.,  3.],
       [ 3.,  3.,  3.]], dtype=float32)


1.《动手学 深度学习》电子书:https://zh.d2l.ai/d2l-zh.pdf
2.《动手学 深度学习》官网:https://zh.d2l.ai/
3.《动手学 深度学习》github:https://github.com/d2l-ai/d2l-zh
4.《动手学 深度学习》代码:https://zh.d2l.ai/d2l-zh-1.0.zip 
	创建文件夹“d2l-zh”并将d2l-zh-1.0.zip压缩包解压到这个文件夹

5.conda和pip默认使用国外站点来下载MXNet和相关软件,我们可以配置国内镜像来加速下载。配置清华PyPI镜像(如无法运行,将pip版本升级到>=10.0.0)
	pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

6.安装 GPU版的 MXNet
	1.d2l-zh-1.0.zip压缩包解压出来的文件有一个叫做environment.yml,文件信息包含要安装的软件和版本如下MXNet和d2lzh包及版本号:
                name: gluon
                dependencies:
                - python=3.6
                - pip:
                  - mxnet==1.4.0
                  - d2lzh==0.8.11
                  - jupyter==1.0.0
                  - matplotlib==2.2.2
                  - pandas==0.23.4

	2.参数解析:
		1.上述environment.yml文件中的“mxnet==1.4.0”代表的是 CPU版本的MXNet,安装 GPU版的 MXNet之前 需要先安装 CUDA、cuDNN。
	  	  environment.yml文件中的字符串“mxnet”替换成对应的GPU版本。例如,如果计算机上装的是8.0版本的CUDA,将该文件中的字符串“mxnet”改为“mxnet-cu80”。
	  	  如果计算机上安装了其他版本的CUDA(如7.5、9.0、9.2等),对该文件中的字符串“mxnet”做类似修改(如改为“mxnet-cu75”“mxnet-cu90”“mxnet-cu92”等)。
	  	  保存environment.yml文件后退出。
 	  	2.name: gluon 表示要创建新的虚拟环境的名字gluon 

	3.比如我装的是CUDA 9.0、cuDNN 7.1.4,然后把“mxnet==1.4.0”修改为“mxnet-cu90==1.4.0”,environment.yml文件修改后如下MXNet和d2lzh包及版本号:
                name: gluon
                dependencies:
                - python=3.6
                - pip:
                  - mxnet-cu90==1.4.0
                  - d2lzh==0.8.11
                  - jupyter==1.0.0
                  - matplotlib==2.2.2
                  - pandas==0.23.4

	4.第一种安装方式:不创建新的虚拟环境,而是直接手动下载安装每个软件。
	  	1.注意:可使用pip list 查看已经安装了什么软件和对应的版本号,如果已经安装了anaconda的话,则一般都已经自带同时装好了jupyter、matplotlib、pandas。	
		        如果已经装好的软件的本地低于要求的版本可进行更新安装。
		        比如我的已经安装好了 jupyter 1.0.0、matplotlib 2.2.2、pandas 0.23.0,那么还仅需要安装mxnet-cu90 1.4.0、d2lzh 0.8.11,
		        和把 pandas 0.23.0 更新为 pandas 0.23.4,只需要执行 pip install pandas==0.23.4 即会自动卸载旧版本0.23.0 然后安装 0.23.4版本的了。

	  	2.需要安装的 软件和版本号如下:注意根据自己的cuda版本安装对应的GPU版本的mxnet-cuxx==1.4.0
		  pip 安装方式:
			pip install mxnet-cu90==1.4.0
			pip install d2lzh==0.8.11
			pip install jupyter==1.0.0
			pip install matplotlib==2.2.2
			pip install pandas==0.23.4
		  conda 安装方式:
			conda install mxnet-cu90==1.4.0
			conda install d2lzh==0.8.11
			conda install jupyter==1.0.0
			conda install matplotlib==2.2.2
			conda install pandas==0.23.4

	5.第二种安装方式:根据提供的 environment.yml文件直接进行创建虚拟环境gluon和下载安装对应版本的软件。
		执行命令 conda env create -f environment.yml 表示用配置文件创建新的虚拟环境,该虚拟环境的名字为environment.yml文件中所配置的 name: gluon。
	  	创建虚拟环境gluon的时候,会自动根据environment.yml文件所配置的软件和版本进行下载安装到当前的虚拟环境gluon中。
	  	若使用国内镜像后出现安装错误,首先取消PyPI镜像配置,即执行命令pip config unset global.index-url。然后重试命令conda env create -f environment.yml。
	  	激活虚拟环境gluon:conda activate gluon  # 若conda版本低于4.4,使用命令activate gluon

7.测试
	1.MXNet可以指定用来计算和存储的设备。默认情况下,MXNet会将数据创建在内存,然后利用CPU来计算。
	2.在MXNet中,mx.cpu()/mx.cpu(任意整数) 都均表示所有的物理CPU和内存。这意味着,MXNet的计算会尽量使用所有的CPU核。mx.cpu()等价于mx.cpu(0)。
	  比如其中“cpu(0)”⾥的0没有特别的意义,并不代表特定的核。
	3.在MXNet中,mx.gpu()/mx.gpu(任意整数) 表示第i块GPU及相应的显存(i从0开始),并且mx.gpu(0)和mx.gpu()等价。
 	4.MXNet的计算会在输入数据的context属性所指定的cpu/gpu设备上执行。为了使用GPU计算,我们只需要事先将所有的输入数据存储到显存上,
	  计算输出结果也会自动会保存在显存上。同样的,要计算的所有输入数据都在cpu上的话,那么输出的结果数据也会存储在cpu上。
	  因此MXNet要求计算的所有输入数据要么都在内存上,或者要么都在显存上。如果要计算的一部分数据在cpu上,一部分在gpu上,是无法计算的。	
	5.例子
			import mxnet as mx
			from mxnet import nd
			from mxnet.gluon import nn

			#cpu(数字):数字并没有特别的意义,并不代表特定的核
			#gpu(数字):表示第i块GPU及相应的显存(i从0开始),并且mx.gpu(0)和mx.gpu()等价
			mx.cpu(), mx.gpu(), mx.gpu(0)
			Out[5]: (cpu(0), gpu(0), gpu(0))

			mx.cpu(1), mx.gpu(2), mx.gpu(0)
			Out[6]: (cpu(1), gpu(2), gpu(0))

			#在默认情况下,NDArray存在内存上。
			x = nd.array([1, 2, 3])
			x
			Out[2]: [1. 2. 3.]
				<NDArray 3 @cpu(0)>
					
			#可以通过NDArray的context属性来查看该NDArray存储在cpu/gpu设备
			x.context
			Out[3]: cpu(0)

			#可以在创建NDArray的时候通过ctx参数指定存储在cpu/gpu设备
			#只能填mx.gpu()和mx.gpu(0),填其他数字会报错CUDA: invalid device ordinal
			a = nd.array([1, 2, 3], ctx=mx.gpu())
			a
			Out[4]: [1. 2. 3.]
				<NDArray 3 @gpu(0)>
					
			a.context
			Out[5]: gpu(0)
			 
			#可以在创建NDArray的时候通过ctx参数指定存储在cpu/gpu设备
			#mx.cpu()和mx.cpu(任意数字)都没有特殊意义,并都不代表特定的核
			b = nd.array([1, 2, 3], ctx=mx.cpu())
			b
			Out[6]: [1. 2. 3.]
				<NDArray 3 @cpu(0)>
					 
			b.context
			Out[7]: cpu(0)
 
			#可以通过copyto(mx.cpu()/mx.gpu())和as_in_context(mx.cpu()/mx.gpu()) 在cpu/gpu两种设备之间传输数据
			#NDArray对象x在cpu上,下面通过copyto(mx.gpu())把x从cpu拷贝一份传输到gpu上
			y1 = x.copyto(mx.gpu())
			y1 
			Out[36]: [1. 2. 3.]
				<NDArray 3 @gpu(0)>

			y1.context
			Out[37]: gpu(0)

			#可以通过copyto(mx.cpu()/mx.gpu())和as_in_context(mx.cpu()/mx.gpu()) 在cpu/gpu两种设备之间传输数据
			#NDArray对象y1在gpu上,下面通过copyto(mx.cpu())把y1从gpu拷贝一份传输到cpu上
			x1 = y1.copyto(mx.cpu())
			x1
			Out[52]: [1. 2. 3.]
				 <NDArray 3 @cpu(0)>

			x1.context
			Out[53]: cpu(0)
			 
			#可以通过copyto(mx.cpu()/mx.gpu())和as_in_context(mx.cpu()/mx.gpu()) 在cpu/gpu两种设备之间传输数据
			#NDArray对象x在cpu上,下面通过as_in_context(mx.gpu())把x从cpu拷贝一份传输到gpu上
			y1 = x.as_in_context(mx.gpu())
			y1
			Out[41]: [1. 2. 3.]
				 <NDArray 3 @gpu(0)>

			y1.context
			Out[42]: gpu(0)

			#可以通过copyto(mx.cpu()/mx.gpu())和as_in_context(mx.cpu()/mx.gpu()) 在cpu/gpu两种设备之间传输数据
			#NDArray对象y2在gpu上,下面通过as_in_context(mx.cpu())把y2从gpu拷贝一份传输到cpu上
			x2 = y2.as_in_context(mx.cpu())
			x2
			Out[56]: [1. 2. 3.]
				 <NDArray 3 @cpu(0)>

			x2.context
			Out[57]: cpu(0)
			 
			#如果输入变量和通过as_in_context输出的变量都在同一个cpu或同一个gpu上的话,那么会共享使用同一份内存或显存
			#下面输入变量y在gpu上,和通过as_in_context(mx.gpu())输出的变量也同在gpu上,因此共享使用同一份显存
			y.as_in_context(mx.gpu()) is y
			Out[45]: True

			#如果输入变量和通过copyto输出的变量都在同一个cpu或同一个gpu上的话,那么实际不会共享使用同一份内存或显存,copyto会为输出变量开辟新的内存或显存
			#下面输入变量y在gpu上,和通过copyto(mx.gpu())输出的变量也同在gpu上,因此实际不会共享使用同一份显存,copyto会为输出变量开辟新的显存
			y.copyto(mx.gpu()) is y
			Out[47]: False

			#如果输入变量和通过as_in_context输出的变量都在同一个cpu或同一个gpu上的话,那么会共享使用同一份内存或显存
			#下面输入变量x在cpu上,和通过as_in_context(mx.cpu())输出的变量也同在cpu上,因此共享使用同一份内存
			x.as_in_context(mx.cpu()) is x
			Out[45]: True

			#如果输入变量和通过copyto输出的变量都在同一个cpu或同一个gpu上的话,那么实际不会共享使用同一份内存或显存,copyto会为输出变量开辟新的内存或显存
			#下面输入变量x在cpu上,和通过copyto(mx.cpu())输出的变量也同在cpu上,因此实际不会共享使用同一份内存,copyto会为输出变量开辟新的内存
			x.copyto(mx.cpu()) is x
			Out[47]: False

标签:mxnet,mx,context,gpu,Out,安装,cpu,MXNet
来源: https://blog.csdn.net/zimiao552147572/article/details/104772051