动手深度学习：MXNet 环境安装

为啥选择 MXNet ？

作为深度学习库，MXNet 不仅易用，而且高效。很多小伙伴会问了，Google 的 TensorFlow 为啥不用？

我的回答是：深度学习库并不重要，重要的是如何理解深度学习里的概念，掌握深度学习的应用。

TensorFlow 固然很牛B，但是入门的门槛不是一个门外汉说跨越过去就过去的。

我们就从简单易用的 MXNet 开始，掌握深度学习里面各种各样的概念，动手去实践体验每一个算法模型，当你熟悉使用一种深度学习库时，无论你想更换什么深度学习库，都可以说是轻车熟路。

只需要应用其封装好的 API 来实现你想要的算法模型。

话不多说，装了再说

我们学习的环境采用 Windows 吧，需要 Linux 和 MacOS 的相关环境搭建的小伙伴请在公众号进行留言。

Step1 安装配置 Anaconda

为什么推荐安装 Anaconda 呢？因为它包含了 Conda、Python 等在内的大量科学包及其依赖，可以是说一步到位，减少了大量 相关依赖的操作，同时缓解了很多包在安装时依赖众多，安装起来费时费力的现象。

下载 Anaconda

官网 [ https://www.anaconda.com/download/ ] 提供两个版本的 Anaconda，分别是集成了 Python2.X 和 Python3.X 的版本，这里我们选择 Python3.6 版本的 Anaconda 下载，但是下载速度真的是慢。

这里推荐使用清华镜像站下载 [ https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/ ]，国内镜像相对快很多，这里我们选择最新的 Anaconda3-5.1.0-Windows-x86_64.exe 下载。

Python2.X 在编码上经常遇到一些奇奇怪怪的 Bug，为了更好的体验和学习更推荐 Python3.X 一些

安装 Anaconda

除了路径需要选择一下，一路默认安装即可，安装过程中会提示是否需要 VS Code 编辑器，我一般喜欢 Pycharm 一些，有需要 VS Code 的同学可以选择安装一下。

这里路径选择时需要注意不要用含有中文的路径，因为很多依赖包需要非 ASCII 的环境。

环境变量设置

安装完成后，在我的电脑右键-属性-高级系统设置-高级-环境变量中在path中加入你系统安装anaconda的目录路径及其下属的下的 scripts 路径，例如 和

至此，Anaconda 安装完成，我们运行 cmd 执行一下 和 命令，正常返回结果说明安装正常。

Step2 下载配置 MXNet

使用 下载以下依赖包。

如果哪个依赖提示已经安装过了就不用安装它了

在命令行中执行 ，然后 测试一下 MXNet 是否安装完成。

高级配置 - 可选

如果你用一张 NVIDIA 显卡的话，可以考虑使用 cuda 版本的 MXNet。

使用显卡计算比 CPU 还是快很多

首先下载适合你操作系统版本的 CUDA 进行安装。

下载地址：https://developer.nvidia.com/cuda-downloads

然后根据你下载的 CUDA 版本重新安装 MXNet，例如：

CUDA7.0 对应 mxnet-cu70

CUDA8.0 对应 mxnet-cu80

CUDA9.0 对应 mxnet-cu90

卸载原来 CPU 版本的 MXNet。

安装对应 GPU 版本的 MXNet，推荐使用豆瓣源加速你的下载。

目前推出了 CUDA9.1 版本，但是 pip install 找不到 mxnet-cu91，不过确实有 mxnet-cu91 这个包，需要手动下载下来 install，比较麻烦，还是先选择 CUDA9.0 比较合适

结束语

至此，MXNet 的环境算是搭完了，接下来我们将一步一步学习深度学习里面的各个算法模型，后会有期。

一个 BUG

在测试 MXNet 是否安装成功时，抛出警告：

这是因为 Numpy 的版本没有对上，需要我们卸载 Numpy，再重新安装合适版本的 Numpy，这里我选择的版本是1.13.3。

题外话

如果小伙伴在安装过程中遇到 Bug 可以再公众号留言。