Mxnet Windows配置

標籤：

MXNET Windows 編譯安裝（Python）

本文只記錄Mxnet在windows下的編譯安裝，更多環境配置請移步官方文檔：http://mxnet.readthedocs.io/en/latest/how_to/build.html

編譯目標：

• libmxnet.dll

必要條件：

• 支援C++11，g++>=4.8
• BLAS庫, 比如 libblas, libblas, openblas intel mkl

可選條件：

• CUDA Toolkit >= v7.0 to run on nvidia GPUs
• Requires GPU with support for Compute Capability >= 2.0
• CUDNN to accelerate the GPU computation (only CUDNN 3 is supported)
• opencv for image augmentation

Steps

首先，強化VS2013，使之能支援C++11特性。

• 下載安裝： Visual C++ Compiler Nov 2013 CTP.
• 將安裝目錄下的檔案拷貝至VS2013相應安裝目錄下，例如：  將C:\Program Files (x86)\Microsoft Visual C++ Compiler Nov 2013 CTP下所有檔案拷貝到  C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC 最好將原來的檔案備份。

其次，安裝第三方庫。

包括 OpenCV, CuDNN and OpenBlas(如果已經安裝 MKL，則忽略此項).

最後，使用CMake來建立VS工程，CMake需要預先安裝。

 

注意，應該根據自己機器選擇是否為Win64，否則配置openCV時，會找不到cuBLAS.

點擊configure之後，需要配置openCV、openBLAS和cuDNN路徑，按提示next即可。

提示Configure done後，點擊Generate產生解決方案。

提示Generate done後，在VS裡開啟解決方案進行編譯。

如果提示opencv2/opencv.hpp找不到，則在項目屬性的VC++中，在包含目錄添加該檔案目錄（在opencv安裝目錄中可找到）即可，類似問題都如此解決。

Python Package Installation

需要 python>=2.7 和 numpy. 在windows命令列中使用pip命令安裝numpy即可：

pip install numpy

檢驗是否安裝成功：

python example/image-classification/train_mnist.py

安裝（即將所需庫檔案放到指定位置）：

cd python; 

python setup.py install

或者設定環境變數 PYTHONPATH 為/<RootPathToProject>/mxnet/python

Train MLP on MNIST

現在訓練一個MLP來簡單瞭解下訓練一個網路的過程以及相關Python介面。

import mxnet as mx# step 1 配置訓練集train = mx.io.MNISTIter(    image      = "mnist/train-images-idx3-ubyte",    label      = "mnist/train-labels-idx1-ubyte",    batch_size = 128,    data_shape = (784, ))# step 2 配置驗證集val =    mx.io.MNISTIter(    image      = "mnist/t10k-images-idx3-ubyte",    label      = "mnist/t10k-labels-idx1-ubyte",    batch_size = 128,    data_shape = (784, ))# step 3 配置網路，此處簡單的三層data = mx.symbol.Variable(‘data‘)fc1  = mx.symbol.FullyConnected(data = data, num_hidden=128)act1 = mx.symbol.Activation(data = fc1, act_type="relu")fc2  = mx.symbol.FullyConnected(data = act1, num_hidden = 64)act2 = mx.symbol.Activation(data = fc2, act_type="relu")fc3  = mx.symbol.FullyConnected(data = act2, num_hidden=10)mlp  = mx.symbol.SoftmaxOutput(data = fc3, name = ‘softmax‘)# step 4 前饋網路設定model = mx.model.FeedForward(    symbol = mlp,    num_epoch = 20,    learning_rate = .1)# step 5 擬合model.fit(X = train, eval_data = val)# step 6 訓練完成後，利用訓練好的模型進行預測model.predict(X = val)

 

 填坑~~

 

 

 

 

 

Mxnet Windows配置