現在計算機視覺領域深度學習已經成為主流，我在美讀研的時候，深度學習並未取得大的突破，當時流行的圖像識別分類器多采用手工設計特征+編碼+SVM（支持向量機）框架下的算法，終於到了2012年（我剛畢業），在ILSVRC上，alexnet的橫空出世，將分類錯誤率從之前的25.7%降到了15.3%，這只是一個5卷積層+2全連接層的卷積神經網絡，卻一下取得了10%的突破，這是深度學習在CV領域的一次翻身仗，自此以后，ImageNet的參賽者幾乎全體轉向了基於卷積神經網絡的深度學習算法。基於此的應用如雨后春筍般一夜之間全冒了出來。深度學習尤其是卷積神經網絡就如同萬能的大殺器，在計算機視覺的各個領域開始發揮作用。
cuda的應用在這一進程中起到了毋庸置疑的作用，所以想要在這一領域開展工作，使用正確的硬件和計算框架是很重要的，本文提供了一個快速搭建MXNET環境的方案，雖然TensorFlow和Caffe是更加主流，但是MXnet作為Amazon主推的深度學習平台，具有輕量級，高性能等特點，並且支持多種語言，可以說是一個非常具有潛力的框架。
我的硬件環境是一台GPU服務器，有2塊tesla p100進行GPU運算，對於一般人來說，你的硬件至少需要一個支持cuda的英偉達顯卡，並且安裝了任意linux環境，常規安裝教程很多，但都很繁瑣，由於我是用docker進行部署，所以可以非常快速的進行環境搭建，會用docker並且想省去安裝過程的同學可以參考以下教程。
前提是你的linux環境中已經安裝了docker，nvidia cuda驅動，NVIDIA docker等，這些步驟在網上有很多的教程，在此不表
獲取鏡像
https://hub.docker.com/search/?isAutomated=0&isOfficial=0&page=1&pullCount=0&q=mxnet&starCount=0 在docker官方取得你需要鏡像的信息，並執行docker pull命令
docker pull mxnet/python：你的版本tag。
如果鏡像下載速度慢，可以搜一些國內鏡像服務器的地址，例如 docker pull registry.docker-cn.com/mxnet/python:1.3.0_gpu_cu90_mkl
隨后啟動該鏡像：
啟動鏡像
執行docker ps -a ，獲取你剛pull的鏡像的 id，即下文命令 commit后面的字段
給你的鏡像取一個名字
docker commit 90b97b96394a example:0.1
隨后啟動該鏡像，如果需要進行外部訪問，比如啟動一個jupyter在瀏覽器中進行編碼，需要配置端口映射，全部命令如下：
docker run -itd --runtime=nvidia --name=example -p 19999:8888 -p 16007:6006 example:0.2 /bin/bash
這時鏡像應該已經啟動，使用docker ps -a 指令查看容器運行狀態，如果正常運行，即可進入容器。
執行命令 docker exec -it example bash 進入容器，此時已經配好了mxnet環境，進入python，隨便敲幾行代碼進行測試。
我在實際使用過程中，發現該容器缺了很多基礎組件，如python-dev ，matplotlib等，甚至連vi/vim都沒有，所以要安裝jupyter的話，注意添加相關依賴，如果報錯缺包，安裝這些包即可。 jupyter安裝教程也很多，在此不表。
啟動jupyter后，即可愉快的進行各種實驗啦~