28 天自制你的 AlphaGo (2) : 安裝 MXNet 搭建深度學習環境

在上一篇介紹了圍棋 AI 的基本常識，這一篇開始搭建深度學習環境。

本系列已更新多篇，其它幾篇的傳送門：

• (1) : 圍棋 AI 基礎 知乎專欄

• (3) : 訓練策略網路，真正與之對弈 知乎專欄

• (4) : 對於策略網路的深入分析（以及它的弱點所在） 知乎專欄

• (4.5)：後文預告（Or 為什麼你應該試試 Batch Normalization 和 ResNet）知乎專欄

一、在 Windows 下安裝 MXNet

目前的環境很多，最多人用的是 Google 的 TensorFlow；不過 MXNet 感覺也蠻不錯，比較省資源（當然，最好兩個都裝）。配圖是 MXNet 的例子裡面的 LeNet 訓練 MNIST 數據集，這是很經典的模型，可以看到準確率在隨著訓練不斷提高：

安裝之前先看個好玩的：https://github.com/dmlc/mxnet.js 是在瀏覽器直接運行 MXNet 的效果。TensorFlow 也有類似的東西： transcranial/keras-js。也就說，我們訓練好模型後，可以直接在網頁裡面可視化，這樣就可以輕鬆跨平台。

第一次裝深度學習環境經常會遇到一些坑，這裡看一個實際安裝 MXNet 的過程。先看 Windows 的安裝，比較簡單和快速，因為不需要編譯。

說句無關的，我個人是推薦 Windows 的，因為顯卡還可以用於娛樂（這幾年的新遊戲的圖像進步很大），有興趣還可以玩個 VR 啥的。

1. 首先裝了 VC2015，安裝時語言記得選上 C++。

2. 然後如果你有 nVidia 的 GPU，裝一下 CUDA：CUDA 8.0 Downloads 。選本地安裝版，建議用迅雷下比較快。如果沒有 nVidia 顯卡，買一塊吧，顯存盡量選大的，機器的電源也記得要跟上。實在沒錢就二手 750Ti 2G 顯存版吧，足夠玩玩簡單模型，因為 MXNet 省顯存。當然，用 CPU 也可以跑，就是慢。

3. 再下載 cuDNN，這個要註冊一個帳號。註冊一個吧： NVIDIA cuDNN 。解壓備用。把它先解壓一份到開始的 CUDA 目錄（你會看到剛好有一樣的目錄結構）。

4. 下載 MXNet 的編譯好的包：https://github.com/yajiedesign/mxnet/releases 先下載 vc14 base package，然後下載更新包（例如 20170114_mxnet_x64_vc14_gpu.7z 注意 GPU 包就是同時支持 CPU 和 GPU）解壓進去，然後把剛才下載的 cuDNN 也解壓進 third-party 目錄（具體見它的文檔）。執行 setupenv.cmd 。

5. 裝個 Python 吧，推薦 Anaconda，選 Python 2.7 的版本： Download Anaconda Now! 。建議用迅雷下比較快。裝完檢驗一下 python 命令可用。

6. 進開始的 MXNet 目錄的 python 子目錄，執行 python setup.py install 。會發現提示要裝一個 Microsoft Visual C++ Compiler for Python 2.7，去裝了。

7. 然後再執行 python setup.py install，可能會發現提示缺頭文件，把他們從你的 VC2015 的 include 目錄拷貝到 Microsoft Visual C++ Compiler for Python 2.7 的 include 目錄即可。要根據提示拷貝好幾個頭文件。然後就可以成功編譯了。

8. 運行 python，然後 import mxnet 然後 (mxnet.nd.ones((2,2), mxnet.cpu())*100).asnumpy()然後 (mxnet.nd.ones((2,2), mxnet.gpu())*100).asnumpy() 如果全部成功，恭喜你，裝好了。

9. 再下載 dmlc/mxnet，在 example 目錄的 image-classification 目錄，執行 python train_mnist.py --network lenet 。會先下載測試數據，等下它，比較慢。看看是否成功訓練。

10. 再測試 VC++ 的環境。下載 https://github.com/dmlc/MXNet.cpp （不需要執行裡面的 setupenv.cmd），然後打開 windows 目錄下面的 vs 下面的 MxnetTestApp，運行試試。再試試裡面有句可以改成 Context ctx_dev(DeviceType::kGPU, 0); 會發現 GPU 確實比 CPU 快。

11. 可以用 CPU-z 和 GPU-z 看你的 CPU 和 GPU 有沒有偷懶，是否是在全心全意工作。

二、在 Mac 下安裝 MXNet

下面看 Mac 的安裝，我是 OSX 10.11。

這個安裝麻煩一些，因為首先下面有些下載過程可能要 exportALL_PROXY="代理地址"（否則很慢）。另外 pip 也要換國內源，git 也要加代理，homebrew 也可以改國內源。

然後有時會遇到許可權問題，請 chown 一下。有時可能也要 sudo。

1. 裝 XCode。最新 CUDA 已經兼容 XCode 8 了。

2. 裝 CUDA 和 cuDNN。

3. 裝 homebrew（百度搜索一下）。裝 python，建議 brew install pyenv 然後用它裝 anaconda2，防止破壞系統 python 版本：Mac OS X下安裝pyenv 。

3a. 如果發現 pyenv 下載文件奇慢無比，可以給 pyenv 加上 -v 看到找到下載路徑，然後手工下載，然後打開 /usr/local/bin/python-build 然後在 download_tarball() 函數裡面，直接把第一行改成 local package_url="http://127.0.0.1/Anaconda2-4.2.0-MacOSX-x86_64.sh" 然後你自己開一個 http 伺服器即可。

4. 裝 MXNet： Installing MXNet on OS X (Mac) 按照 Standard installation 走。不要執行它的 Quick Installation 自動腳本，因為還會去重新裝 homebrew，非常慢。第一步是：

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

5. 按它說的編譯。在 make 子目錄中的 config.mk 最後加：

USE_BLAS = openblas

ADD_CFLAGS += -I/usr/local/opt/openblas/include

ADD_LDFLAGS += -L/usr/local/opt/openblas/lib

ADD_LDFLAGS += -L/usr/local/lib/graphviz/

USE_CUDA = 1

USE_CUDA_PATH = /usr/local/cuda

USE_CUDNN = 1

USE_NVRTC = 1

USE_PROFILER = 1

USE_OPENMP = 0

另外可能要 ln -s /usr/local/cuda/lib /usr/local/cuda/lib64 。然後 make -j4 就代表用4核編譯。有問題就 make clean 一下再試試。

6. make 完後，進 python 子目錄 sudo python setup.py install，然後檢查是否裝好：

cd example/image-classification/

python train_mnist.py

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

祝安裝成功！在下一篇我們會看看從棋譜提取訓練特徵。

本系列已更新多篇，其它幾篇的傳送門：

• (1) : 圍棋 AI 基礎 知乎專欄

• (3) : 訓練策略網路，真正與之對弈 知乎專欄

• (4) : 對於策略網路的深入分析（以及它的弱點所在） 知乎專欄

如需轉載本系列，請先與本人聯繫，謝謝。小廣告：晚上工作學習是否覺得光線不夠舒服，精神不夠集中，眼睛容易疲勞？不妨點擊看看我們的自然全光譜燈系列：Blink Sunshine護眼LED燈泡 高顯指97顯色指數無頻閃學習檯燈床頭 如果需要好用的耳機或錢包，我們也有

推薦閱讀：