1.MXNet安装
1.1 安装cuda和cuDNN
关于这个网上一堆教程，在我看来都是非常错误的，一堆驱动错误什么的，乱七八糟。这里推荐我的方法，在ubuntu18.04上试验通过：
- 官网下载cuda8.0或者9.0的deb(local) ，注意一定要下载deb版本的，而不是run文件，因为deb文件包含了驱动程序
dpkg -i安装deb文件，然后apt install cuda-8.0就可以自动安装了，安装的过程会自动下载相应的NVIDIA的驱动程序
- 安装要求gcc和g++的版本如何相应的要求，比如cuda8.0需要gcc5。具体就是安装相应的版本，然后修改软连接
sudo apt install gcc-5 g++-5 sudo rm /usr/local/cuda/bin/gcc sudo rm /usr/local/cuda/bin/g++ sudo ln -s /usr/bin/gcc-5 /usr/local/cuda/bin/gcc sudo ln -s /usr/bin/g++-5 /usr/local/cuda/bin/g++
- 下载cuDNN的Linux压缩包，解压，拷贝，拷贝使用
cp -P来拷贝软连接。
sudo cp -P cuda/include/cudnn.h /usr/local/cuda/include sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda/lib64/ sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
- 安装完添加路径
echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc
再次强调，个人经验，多看官网的那个安装指南的PDF文件，而不是去网上找乱七八糟的教程！！！
1.2 安装MXNet-Python
这里只推荐一种方法，virtualenv和pip，具体怎么操作看MXNet官网，说的很明白了。注意，pip install需要制定cuda的版本，比如pip install mxnet-cu80这种。
pip install --upgrade pip pip install mxnet-cu80 sudo apt-get install graphviz pip install graphviz
装完测试一下：
import mxnet as mx a = mx.nd.ones((2, 3), mx.gpu()) b = a * 2 + 1 b.asnumpy()
能打印除b就没问题了。
2. NDArray模块
这是这篇的重点了，安装完MXNet就可以看看MXNet最重要的数据结构NDArray。NDArray是一种n维阵列，其中可包含类型与大小完全一致的项（32位浮点、32位整数等）。一句话，这种数据结构就是为了批量处理多通道的图像，比如MXNet中layer的一次输入最常见的结构就是(batch_size, channel, height, width)。
2.1 NDArray API
一句话：NDArrays与Numpy的Array极为类似，熟悉Numpy，用NDArray就很简单了。
a = mx.nd.array([[1,2,3], [4,5,6]]) >>> a.size 6 >>> a.shape (2L, 3L) >>> a.dtype <type 'numpy.float32'>
默认情况下，一个NDArray可以保存32位浮点，不过这个大小可以调整。
import numpy as np >>> b = mx.nd.array([[1,2,3], [2,3,4]], dtype=np.int32) >>> b.dtype
NDArray的打印很简单，这样：
>>> b.asnumpy() array([[1, 2, 3], [2, 3, 4]], dtype=int32)
NDArray支持所有需要的数学运算，例如可以试试看进行一个面向元素的矩阵乘法：
a = mx.nd.array([[1,2,3], [4,5,6]]) >>> b = a*a >>> b.asnumpy() array([[ 1., 4., 9.], [ 16., 25., 36.]], dtype=float32)
再来个严格意义上的矩阵乘法（又叫“点积”）怎么样？
a = mx.nd.array([[1,2,3], [4,5,6]]) >>> a.shape (2L, 3L) >>> a.asnumpy() array([[ 1., 2., 3.], [ 4., 5., 6.]], dtype=float32) >>> b = a.T >>> b.shape (3L, 2L) >>> b.asnumpy() array([[ 1., 4.], [ 2., 5.], [ 3., 6.]], dtype=float32) >>> c = mx.nd.dot(a,b) >>> c.shape (2L, 2L) >>> c.asnumpy() array([[ 14., 32.], [ 32., 77.]], dtype=float32)
接着再来试试一些更复杂的运算：
初始化一个均匀分布的1000x1000矩阵并存储在GPU#0（此处使用了一个g2实例）。
初始化另一个正态分布的1000x1000矩阵（均值为1，标准差为2），也存储在GPU#0。
c = mx.nd.uniform(low=0, high=1, shape=(1000,1000), ctx="gpu(0)") >>> d = mx.nd.normal(loc=1, scale=2, shape=(1000,1000), ctx="gpu(0)") >>> e = mx.nd.dot(c,d)
别忘了，MXNet可以在CPU和GPU上实现一致的运行结果。这就是个很棒的例子：只要将上述代码中的“gpu(0)”替换为“cpu(0)”，就可以通过CPU运行这个点积。
差不多NDArray就介绍这些了，因为和Numpy实在太像了，没啥可过多介绍的。
