本文详细介绍了MxNet的安装过程，包括必要的依赖库安装，并解释了如何通过fine-tune.py脚本来训练模型。此外，还探讨了数据读取及预处理的方法。
写这篇博文的初衷是希望能整理下自己在使用MxNet过程中对这个框架的理解。详细的介绍都给出了链接，这篇相当于一个概括，希望能对这个框架有一个总的认识，内容会不断补充，有疑问的欢迎交流，谢谢。
1、下载MxNet并编译
MxNet的官方网址：http://mxnet.io/get_started/install.html
我这里选择如下安装方式：
这里写图片描述
然后按照 Build the MXNet core shared library 介绍的4个步骤进行安装即可：
step1主要是更新一些工具和Git,apt-get就是从网上获取并安装的意思。
Step 1 Install build tools and git.
$ sudo apt-get update
$ sudo apt-get install -y build-essential git
1
2
1
2
step2是安装OpenBLAS,这是一个计算加速库，当你step4要编译openlab的时候如果这个地方没有安装好openlab就会报错。
Step 2 Install OpenBLAS.
$ sudo apt-get install -y libopenblas-dev liblapack-dev
1
1
安装OpenCV,opencv主要用在图像数据导入和预处理。
Step 3 Install OpenCV.
$ sudo apt-get install -y libopencv-dev
1
1
前面3个step可以看成是准确工作，step4是拉取mxnet项目，然后编译，注意编译的时候有几个参数，如果要用GPU的话，USE_CUDA是必须要有的，另外USE_CUDNN是NVIDIA的一个深度神经网络加速库，一般也是需要的，如果没有的话最多速度慢一些，但是可以跑，建议用。
Step 4 Download MXNet sources and build MXNet core shared library.
$ git clone --recursive https://github.com/dmlc/mxnet
$ cd mxnet
$ make -j $（nproc） USE_OPENCV=1 USE_BLAS=openblas USE_CUDA=1 USE_CUDA_PATH=/usr/local/cuda USE_CUDNN=1
1
2
3
1
2
3
2、训练模型的入口
我们知道训练一个模型需要定义一个网络结构，然后喂给这个网络数据，最后训练得到合适的模型。又因为现在基本上都是在预训练模型上做fine-tune,所以这里直接介绍MxNet里面fine-tune的快速操作。可以参看博文：MXNet的预训练：fine-tune.py源码详解。
在fine-tune.py这个脚本中，最重要的是调用了fit.fit（）函数训练，这个fit.py脚本的介绍可以看博客：MXNet的训练入口：fit.py源码详解。这个脚本也是在最终训练之前封装好的一个脚本。那么具体训练的细节在哪呢？答案是base_module.py和module.py.base_module.py是MxNet训练模型的基类的脚本，而module.py则是继承base_module里面的基类的具体实现，包括前向和后向传递等等，相关的博文介绍可以参看：MXNet的训练基础脚本：base_module.py和MXNet的训练实现脚本：module.py.
3、关于数据读取和预处理
fine-tune.py这个脚本是MxNet官方写好的，默认的数据读入方式是。rec,类似Caffe里面的LMDB,关于数据读取，可以参看博文：MXNet的数据读取：data.py源码详解。这种。rec格式的数据一般需要较多的存储空间，当你需要灵活增减数据时候需要重新生成新的。rec文件，不是很灵活，因此推荐使用lst列表和原始图像结合的数据读取方式，可以参看博文：MXNet如何用mxnet.image.ImageIter直接导入图像。这种数据读取的方式还涉及图像预处理的部分，原来的MxNet项目中没有相应的例子，可以参看博文：MXNet的数据预处理：mxnet.image.CreateAugmenter源码详解。了解在mxnet.image.ImageIter中是怎么做图像预处理的。
北京打瘦脸针哪家医院好http://www.hazxxx.cn/BJYestar/list-31-3.shtml
1、下载MxNet并编译
MxNet的官方网址：http://mxnet.io/get_started/install.html
我这里选择如下安装方式：
这里写图片描述
然后按照 Build the MXNet core shared library 介绍的4个步骤进行安装即可：
step1主要是更新一些工具和Git,apt-get就是从网上获取并安装的意思。
Step 1 Install build tools and git.
$ sudo apt-get update
$ sudo apt-get install -y build-essential git
1
2
1
2
step2是安装OpenBLAS,这是一个计算加速库，当你step4要编译openlab的时候如果这个地方没有安装好openlab就会报错。
Step 2 Install OpenBLAS.
$ sudo apt-get install -y libopenblas-dev liblapack-dev
1
1
安装OpenCV,opencv主要用在图像数据导入和预处理。
Step 3 Install OpenCV.
$ sudo apt-get install -y libopencv-dev
1
1
前面3个step可以看成是准确工作，step4是拉取mxnet项目，然后编译，注意编译的时候有几个参数，如果要用GPU的话，USE_CUDA是必须要有的，另外USE_CUDNN是NVIDIA的一个深度神经网络加速库，一般也是需要的，如果没有的话最多速度慢一些，但是可以跑，建议用。
Step 4 Download MXNet sources and build MXNet core shared library.
$ git clone --recursive https://github.com/dmlc/mxnet
$ cd mxnet
$ make -j $（nproc） USE_OPENCV=1 USE_BLAS=openblas USE_CUDA=1 USE_CUDA_PATH=/usr/local/cuda USE_CUDNN=1
1
2
3
1
2
3
2、训练模型的入口
我们知道训练一个模型需要定义一个网络结构，然后喂给这个网络数据，最后训练得到合适的模型。又因为现在基本上都是在预训练模型上做fine-tune,所以这里直接介绍MxNet里面fine-tune的快速操作。可以参看博文：MXNet的预训练：fine-tune.py源码详解。
在fine-tune.py这个脚本中，最重要的是调用了fit.fit（）函数训练，这个fit.py脚本的介绍可以看博客：MXNet的训练入口：fit.py源码详解。这个脚本也是在最终训练之前封装好的一个脚本。那么具体训练的细节在哪呢？答案是base_module.py和module.py.base_module.py是MxNet训练模型的基类的脚本，而module.py则是继承base_module里面的基类的具体实现，包括前向和后向传递等等，相关的博文介绍可以参看：MXNet的训练基础脚本：base_module.py和MXNet的训练实现脚本：module.py.
3、关于数据读取和预处理
fine-tune.py这个脚本是MxNet官方写好的，默认的数据读入方式是。rec,类似Caffe里面的LMDB,关于数据读取，可以参看博文：MXNet的数据读取：data.py源码详解。这种。rec格式的数据一般需要较多的存储空间，当你需要灵活增减数据时候需要重新生成新的。rec文件，不是很灵活，因此推荐使用lst列表和原始图像结合的数据读取方式，可以参看博文：MXNet如何用mxnet.image.ImageIter直接导入图像。这种数据读取的方式还涉及图像预处理的部分，原来的MxNet项目中没有相应的例子，可以参看博文：MXNet的数据预处理：mxnet.image.CreateAugmenter源码详解。了解在mxnet.image.ImageIter中是怎么做图像预处理的。
北京打瘦脸针哪家医院好http://www.hazxxx.cn/BJYestar/list-31-3.shtml
扫一扫
2604
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
