ubantu16.04+mxnet +opencv+cuda8.0 环境搭建#

建议：环境搭建完成之后，不要更新系统（内核）

转载请注明出处：微微苏荷

一我的安装环境

系统：ubuntu16.04

显卡：gt940m

python: 2.7.12

GCC：5.3.0 （ubuntu 默认是5.4, 关于降级，后边有叙述）

二安装步骤##

（一） gcc降级（可选/安装opencv2.4.13则必选）###

根据需要，opencv安装时提示，gcc 不支持5.3以上版本，所以降级。

方法1：5.4 =》5.3 (不太建议)####

1.下载GCC源码：####

wget ftp://mirrors.kernel.org/gnu/gcc/gcc-5.3.0/gcc-5.3.0.tar.gz

2.解压：####

tar -zxvf gcc-5.3.0.tar.gz

3.下载编译所需依赖项：####

cd gcc-5.3.0 //进入解包后的gcc文件夹

./contrib/download_prerequisites //下载依赖项

cd ..  //返回上层目录

4.建立编译输出目录：####

mkdir gcc-build-5.3.0

5.进入输出目录，执行以下命令，并生成makefile文件：

cd gcc-build-5.3.0

../gcc-5.3.0/configure --enable-checking=release --enable-languages=c,c++ --disable-multilib

6.编译：

make -j4

接下来就是等待了，整个过程大约40分钟左右。PS：最好不要在编译过程中再去做别的什么事，整个过程CPU都是满载的，要是莫名终止了，后面麻烦事也不少。

7.安装：

编译结束以后，我们就可以执行安装了：

make install

8.检查版本：

gcc --version

g++ --version

降级结束

方法2:gcc 4和gcc 5共存(推荐)###

1.安装gcc g++ 4.8####

sudo apt-get install gcc-4.8 gcc-4.8-multilib g++-4.8 g++-4.8-multilib

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 60

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.8 50

sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 60

sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.8 50

2. 切换gcc g++版本####

sudo update-alternatives --config gcc

sudo update-alternatives --config g++

（二）安装cuda 8.0rc####

1.从nviDIA官网下载安装包####

2.切换到安装包目录，执行以下命令：####

sudo dpkg -i cuda-repo-ubuntu1604-8-0-rc_8.0.27-1_amd64.deb

sudo apt-get update

sudo apt-get install -y cuda

3.cuda的环境设置：####

新建cuda.conf

sudo gedit /etc/ld.so.conf.d/cuda.conf

并编辑,添加内容：

/usr/local/cuda/lib64

/lib

然后执行链接命令：

sudo ldconfig -v

然后设置环境变量：

export PATH=/usr/local/cuda/bin:$PATH$

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH$

将这两行添加到~/.bashrc

4.编译运行cuda例子####

cd /usr/local/cuda/samples

sudo make all -j4

cd /usr/local/cuda/samples/bin/x86_64/linux/release

sudo ./deviceQuery

运行成功，最后一行显示信息是：

Result = PASS

这表示安装成功。

5. 关于异常情况：####

一） ubutn14.04+cuda7.5 安装时，本机遇到了重启黑屏现象，主要是驱动问题。解决方法是如下：#####

（方法1，在我尝试种没什么卵用，但有人成功了，真不幸遇到了，可以尝试一下）

（1）ctrl+alt+f1 进入命令行

（2）停掉lightdm 安装gdm

sudo stop lightdm

sudo apt-get install gdm

然后做一些清理工作：

sudo rm -rf .gconf

sudo rm -rf .gconfd

sudo rm -rf ~/.Xauthority

重启:

sudo shutdown -r now

如果还是不行，可以做接下来一步：

sudo apt-get update

sudo apt-get install nvidia-current-updates

sudo nvidia-xconfing

sudo reboot

另一种解决方案是，下载安装最新驱动（不黑屏的支持cuda的闭源驱动），然后安装cuda的run包，选择不安装显卡驱动即可。

安装显卡驱动：

sudo apt-get update

sudo apt-get install nvidia-367

sudo apt-get install mesa-common-dev

sudo apt-get install freeglut3-dev

安装cuda:

进入命令行界面

Ctrl+Alt+F1

关闭界面显示

sudo service lightdm

chmod +x <cuda安装包名字>.run  (给予权限)

sudo ./ <cuda安装包名字>.run  (安装)

注意：在选择是否安装选择显卡驱动时选择否。

然后关于环境变量设置，跟deb 安装方法中环境变量设置方法一致

二）mxnet 运行找不到cuda库：#####

ImportError: libcudart.so.7.5: cannot open shared object file: No such file

这是因为没有把CUDA的动态链接库加入PATH里，解决方法是，可以在./bashrc里面加入：

export LD_LIBRARY_PATH=/usr/local/cuda/targets/x86_64-linux/lib/:$LD_LIBRARY_PATH

或者是在编译MXnet的时候，在config.mk里的

ADD_LDFLAGS = -I/usr/local/cuda/targets/x86_64-linux/lib/

ADD_CFLAGS =-I/usr/local/cuda/targets/x86_64-linux/lib/

如果，在编译例子中有找不到×××.so 或某命令找不到，可以到/usr下搜索文件，添加文件路径到环境变量

注：关于黑屏和***.so找不到的情况只在14.04+cuda7.5时遇到过，16.04+cuda8.0没有遇到。

（三）安装cudnn###

本文安装的是cudnn-8.0-linux-x64-v5.0-ga，请下载和你显卡匹配的版本

1.去nvidia官网下载合适的cudnn安装包，解压####

注：cudnn-8.0-linux-x64-v5.0-ga下载下来后缀名是.solitairetheme8,在ubuntu默认环境不能直接打开，我选择的是在window上解压。

2.安装：拷贝库和头文件####

切换到cudnn安装包文件夹下cuda/lib 目录下，执行：

sudo cp lib* /usr/local/cuda/lib64/

再切换到cudnn安装包文件夹下cuda/include 目录下：执行：

sudo cp cudnn.h /usr/local/cuda/include/

3.更改文件权限，重新建立软连接####

cd /usr/local/cuda/lib64/

sudo chmod u=rwx,g=rx,o=rx libcudnn.so.5.0.5

sudo rm -rf libcudnn.so.5 libcudnn.so

sudo ln -s libcudnn.so.5.0.5 libcudnn.so.5

sudo ln -s libcudnn.so.5 libcudnn.so

（四）安装opencv###

本文安装的是opencv2.4.13

注意，gcc版本不能超过5.3，否则请降级gcc(opencv3.10则不需要)

1.安装依赖####

sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg62-dev cmake libswscale-dev libjasper-dev

2.去opencv官网下载源码，解压进入源码文件夹。执行：####

// 下列命令 opencv2.4和opencv3.10通用，cmake 时关闭了一些mxnet不需要的部分

mkdir build

cd build

cmake -D BUILD_opencv_gpu=OFF -D WITH_CUDA=OFF -D WITH_1394=OFF -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -DINSTALL_CREATE_DISTRIB=OFF ..

make -j4

sudo make install

然后，把3rdparty/ippicv/unpack/ippicv_lnx/lib/intel64（不是build/3rdparty）目录下的libippicv.a 拷贝到 /usr/local/lib目录下

3.环境配置####

sudo gedit /etc/ld.so.conf.d/opencv.conf

在末尾加上：

/usr/local/lib

然后执行：

sudo ldconfig

打开/etc/bash.bashrc，加入：

PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig

export PKG_CONFIG_PATH

（五）安装mxnet###

1.安装依赖####

sudo apt-get update

sudo apt-get install -y build-essential git libatlas-base-dev libopencv-dev

2.下载mxnet####

git clone --recursive https://github.com/dmlc/mxnet

3.配置和编译####

cd mxnet  //如果需要编译指定版本，请先 checkout

sudo cp make/config.mk

修改config.mk文件中的设置来自定义build：

USE_CUDA = 1

USE_CUDA_PATH = /usr/local/cuda

USE_CUDNN =1

(可选：选择安装atlas或者openblas等其他BLAS的实现，需要额外的修改。如果ubuntu的atlas实现（sudo apt-get install libatlas-base-dev或者sudo apt-get install libopenblas-dev）)

然后编译

make -j4

4.安装Python支持####

sudo apt-get install python-setuptools python-numpy

cd python

sudo python setup.py install

建议使用python 2.7版本

/////////////////////////////////////////////////////////////////

没有找到cblas库问题：

解决方法：如果已经安装了openblas, 就从openblas中把cblas.h复制到/usr/include/中。

ps:我还遇到过另外一个问题，是因为没有安装cblas库。下载编译cblas, 然后把 libcblas.so copy到/usr/lib目录下就行了

(六)运行mnist手写识别例子###

注：有可能会遇到下载数据失败的情况，可将提前下载好的mnist数据放在例子运行目录下边

运行一下命令：

cd mxnet/example/image-classification

python train_minst.py

默认是使用cpu，使用GPU使用下边命令：

python train_mnist.py --network lenet --gpus 0

（七）制作自己的数据集（ im2rec工具的使用）###

先使用im2rec 制作出lst文件（保存图片和标签信息的文本的名字）

再使用im2rec 制作出rec文件 (mxnet可使用)

imrec 参数如下：

通用选项：

prefix ：LST或REC文件的前缀

root ：包含图片文件的文件夹路径

用于创建lst数据的选项

--list：true制作lst,false 制作rec数据，默认false

--exts:可接受的图像后缀列表,type=list（可输入多个类型）比如可输入：.jpeg

--chunks：计算块的大小，int 默认 1

--train-ratio:图像用于训练的比例

--test-ratio:图像用于测试的比例（注：train和test比例之和不为1时，剩余比例为val）

--recursive：如果为true递归穿行子目录并为其分配一个唯一的标签

用于创建数据库（rec）的选项:

--resize：调整图片到指定大小，默认0不调整

--center-crop：是否指定裁剪中心，把图片裁剪为矩形

--quality：图片质量，JPEG质量编码，1-100;或PNG压缩编码，1-9

--num-thread：使用制作数据编码时的线程数，线程数大于1，可能会导致数据集的顺序不一样（多线程并行）

--color：指定加载的图像的彩色模式。

1：加载彩色图像。图像的任何透明度将被忽略。默认为1。

0：灰度模式加载图像。

-1：加载图像，例如包括Alpha通道

--encoding：指定图像的编码 type=str, 默认.jpg

--shuffle：如果设置为true,im2rec将在制作lst数据时，随机图像顺序

--pack-label：是否为多维标签

根据需要选择参数即可。

注意：我在2016-08-29 clone的mxnet im2rec.py （0.7版也有）有两处bug：

opencv 图片大小变换错误，第93h行和96行（两者交换）：

#            newsize = (args.resize, img.shape[0] * args.resize / img.shape[1])

            newsize = (img.shape[1] * args.resize / img.shape[0], args.resize)

        else:

#            newsize = (img.shape[1] * args.resize / img.shape[0], args.resize)

            newsize = (args.resize, img.shape[0] * args.resize / img.shape[1])

命令行参数解析，第156行修改可用：

#    cgroup.add_argument('--exts', type=list, default=['.jpeg', '.jpg'],

    cgroup.add_argument('--exts', type=str, nargs='+', default=['.jpeg', '.jpg'],

举例：

数据放在了目录：/home/ecarx/English/Hnd/Img

制作list 命令：

python im2rec.py 0829 ~/English/Hnd/Img/ --list=true --exts=.png --chunks=1 --train-ratio=0.6 --test-ratio=0.4 –recursive=true

制作rec 命令（lst文件在当前目录）：

python im2rec.py  0829 ~/English/Hnd/Img/   --resize=28 --encoding=.png

制作完数据集，可根据 train_imagenet.py 写数据迭代器，进行训练

注：mxnet v0.7 制作是先执行 make_lst.py，再进入 mxnet/bin 下执行使用 im2rec（C++）和之后新版稍有不同

（八）mxnet优缺点分析###

优点:

1.ndarray编程接口，类似matlab/numpy.ndarray/torch.tensor。独有优势在于通过背后的engine可以在性能上和内存使用上更优，（声明式）

2.symbolic接口。这个可以使得快速构建一个神经网络，和自动求导。（命令式）

3.更多binding 目前支持比较好的是python，也支持julia和R

4.更加方便的多卡和多机运行

5.性能上更优。目前mxnet比cxxnet快40%，而且gpu内存使用少了一半。

6.依赖很少，通过mshadow的模板化使得gpu和cpu代码只用写一份，分布式接口也很干净

7.移动端支持较好，已经推出了手机上图片识别的demo

8.社区活跃，提Issuse 回复很快

缺点:

1.文档少，外界相关资料也较少，大部分只能代码当文档快(现在补齐)

2.没有大公司力推（亚马逊，已经支持mxnet 11.26）

可参考文档：

http://www.cnblogs.com/zhizhan/p/5118185.html

http://blog.csdn.net/myarrow/article/details/52064608

http://chenrudan.github.io/blog/2015/11/18/comparethreeopenlib.html#0-tsina-1-2654-397232819ff9a47a7b7e80a40613cfe1?utm_source=tuicool&utm_medium=referral

http://f.dataguru.cn/thread-679134-1-1.html