Mxnet Windows配置

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：

• 支持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，使之能支持C++11特性。

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

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).

最后，使用CMake來創建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之后，需要配置openCV、openBLAS和cuDNN路徑，按提示next即可。

提示Configure done后，點擊Generate生成解決方案。

提示Generate done后，在VS里打開解決方案進行編譯。

如果提示opencv2/opencv.hpp找不到，則在項目屬性的VC++中，在包含目錄添加該文件目錄（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命令行中使用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（即將所需庫文件放到指定位置）：

cd python; 

python setup.py install

或者設置環境變量 PYTHONPATH 為/<RootPathToProject>/mxnet/python

Train MLP on MNIST

現在訓練一個MLP來簡單了解下訓練一個網絡的過程以及相關Python接口。

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 配置網絡，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 前饋網絡配置
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 訓練完成后，利用訓練好的模型進行預測
model.predict(X = val)

 

 填坑~~