版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
人工智能AI：Keras PyTorch MXNet 深度学习实战（不定时更新）
1.《动手学 深度学习》电子书：https://zh.d2l.ai/d2l-zh.pdf
2.《动手学 深度学习》官网：https://zh.d2l.ai/
3.《动手学 深度学习》github：https://github.com/d2l-ai/d2l-zh
4.《动手学 深度学习》代码：https://zh.d2l.ai/d2l-zh-1.0.zip
创建文件夹“d2l-zh”并将d2l-zh-1.0.zip压缩包解压到这个文件夹
5.conda和pip默认使用国外站点来下载MXNet和相关软件，我们可以配置国内镜像来加速下载。配置清华PyPI镜像（如无法运行，将pip版本升级到>=10.0.0）
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
6.安装 GPU版的 MXNet
1.d2l-zh-1.0.zip压缩包解压出来的文件有一个叫做environment.yml，文件信息包含要安装的软件和版本如下MXNet和d2lzh包及版本号：
name: gluon
dependencies:
- python=3.6
- pip:
- mxnet==1.4.0
- d2lzh==0.8.11
- jupyter==1.0.0
- matplotlib==2.2.2
- pandas==0.23.4
2.参数解析：
1.上述environment.yml文件中的“mxnet==1.4.0”代表的是 CPU版本的MXNet，安装 GPU版的 MXNet之前 需要先安装 CUDA、cuDNN。
environment.yml文件中的字符串“mxnet”替换成对应的GPU版本。例如，如果计算机上装的是8.0版本的CUDA，将该文件中的字符串“mxnet”改为“mxnet-cu80”。
如果计算机上安装了其他版本的CUDA（如7.5、9.0、9.2等），对该文件中的字符串“mxnet”做类似修改（如改为“mxnet-cu75”“mxnet-cu90”“mxnet-cu92”等）。
保存environment.yml文件后退出。
2.name: gluon 表示要创建新的虚拟环境的名字gluon
3.比如我装的是CUDA 9.0、cuDNN 7.1.4，然后把“mxnet==1.4.0”修改为“mxnet-cu90==1.4.0”，environment.yml文件修改后如下MXNet和d2lzh包及版本号：
name: gluon
dependencies:
- python=3.6
- pip:
- mxnet-cu90==1.4.0
- d2lzh==0.8.11
- jupyter==1.0.0
- matplotlib==2.2.2
- pandas==0.23.4
4.第一种安装方式：不创建新的虚拟环境，而是直接手动下载安装每个软件。
1.注意：可使用pip list 查看已经安装了什么软件和对应的版本号，如果已经安装了anaconda的话，则一般都已经自带同时装好了jupyter、matplotlib、pandas。
如果已经装好的软件的本地低于要求的版本可进行更新安装。
比如我的已经安装好了 jupyter 1.0.0、matplotlib 2.2.2、pandas 0.23.0，那么还仅需要安装mxnet-cu90 1.4.0、d2lzh 0.8.11，
和把 pandas 0.23.0 更新为 pandas 0.23.4，只需要执行 pip install pandas==0.23.4 即会自动卸载旧版本0.23.0 然后安装 0.23.4版本的了。
2.需要安装的 软件和版本号如下：注意根据自己的cuda版本安装对应的GPU版本的mxnet-cuxx==1.4.0
pip 安装方式：
pip install mxnet-cu90==1.4.0
pip install d2lzh==0.8.11
pip install jupyter==1.0.0
pip install matplotlib==2.2.2
pip install pandas==0.23.4
conda 安装方式：
conda install mxnet-cu90==1.4.0
conda install d2lzh==0.8.11
conda install jupyter==1.0.0
conda install matplotlib==2.2.2
conda install pandas==0.23.4
5.第二种安装方式：根据提供的 environment.yml文件直接进行创建虚拟环境gluon和下载安装对应版本的软件。
执行命令 conda env create -f environment.yml 表示用配置文件创建新的虚拟环境，该虚拟环境的名字为environment.yml文件中所配置的 name: gluon。
创建虚拟环境gluon的时候，会自动根据environment.yml文件所配置的软件和版本进行下载安装到当前的虚拟环境gluon中。
若使用国内镜像后出现安装错误，首先取消PyPI镜像配置，即执行命令pip config unset global.index-url。然后重试命令conda env create -f environment.yml。
激活虚拟环境gluon：conda activate gluon # 若conda版本低于4.4，使用命令activate gluon
7.测试
1.MXNet可以指定用来计算和存储的设备。默认情况下，MXNet会将数据创建在内存，然后利用CPU来计算。
2.在MXNet中，mx.cpu()/mx.cpu(任意整数) 都均表示所有的物理CPU和内存。这意味着，MXNet的计算会尽量使用所有的CPU核。mx.cpu()等价于mx.cpu(0)。
比如其中“cpu(0)”⾥的0没有特别的意义，并不代表特定的核。
3.在MXNet中，mx.gpu()/mx.gpu(任意整数) 表示第i块GPU及相应的显存(i从0开始)，并且mx.gpu(0)和mx.gpu()等价。
4.MXNet的计算会在输入数据的context属性所指定的cpu/gpu设备上执行。为了使用GPU计算，我们只需要事先将所有的输入数据存储到显存上，
计算输出结果也会自动会保存在显存上。同样的，要计算的所有输入数据都在cpu上的话，那么输出的结果数据也会存储在cpu上。
因此MXNet要求计算的所有输入数据要么都在内存上，或者要么都在显存上。如果要计算的一部分数据在cpu上，一部分在gpu上，是无法计算的。
5.例子
import mxnet as mx
from mxnet import nd
from mxnet.gluon import nn
#cpu(数字)：数字并没有特别的意义，并不代表特定的核
#gpu(数字)：表示第i块GPU及相应的显存(i从0开始)，并且mx.gpu(0)和mx.gpu()等价
mx.cpu(), mx.gpu(), mx.gpu(0)
Out[5]: (cpu(0), gpu(0), gpu(0))
mx.cpu(1), mx.gpu(2), mx.gpu(0)
Out[6]: (cpu(1), gpu(2), gpu(0))
#在默认情况下，NDArray存在内存上。
x = nd.array([1, 2, 3])
x
Out[2]: [1. 2. 3.]
<NDArray 3 @cpu(0)>
#可以通过NDArray的context属性来查看该NDArray存储在cpu/gpu设备
x.context
Out[3]: cpu(0)
#可以在创建NDArray的时候通过ctx参数指定存储在cpu/gpu设备
#只能填mx.gpu()和mx.gpu(0)，填其他数字会报错CUDA: invalid device ordinal
a = nd.array([1, 2, 3], ctx=mx.gpu())
a
Out[4]: [1. 2. 3.]
<NDArray 3 @gpu(0)>
a.context
Out[5]: gpu(0)
#可以在创建NDArray的时候通过ctx参数指定存储在cpu/gpu设备
#mx.cpu()和mx.cpu(任意数字)都没有特殊意义，并都不代表特定的核
b = nd.array([1, 2, 3], ctx=mx.cpu())
b
Out[6]: [1. 2. 3.]
<NDArray 3 @cpu(0)>
b.context
Out[7]: cpu(0)
#可以通过copyto(mx.cpu()/mx.gpu())和as_in_context(mx.cpu()/mx.gpu()) 在cpu/gpu两种设备之间传输数据
#NDArray对象x在cpu上，下面通过copyto(mx.gpu())把x从cpu拷贝一份传输到gpu上
y1 = x.copyto(mx.gpu())
y1
Out[36]: [1. 2. 3.]
<NDArray 3 @gpu(0)>
y1.context
Out[37]: gpu(0)
#可以通过copyto(mx.cpu()/mx.gpu())和as_in_context(mx.cpu()/mx.gpu()) 在cpu/gpu两种设备之间传输数据
#NDArray对象y1在gpu上，下面通过copyto(mx.cpu())把y1从gpu拷贝一份传输到cpu上
x1 = y1.copyto(mx.cpu())
x1
Out[52]: [1. 2. 3.]
<NDArray 3 @cpu(0)>
x1.context
Out[53]: cpu(0)
#可以通过copyto(mx.cpu()/mx.gpu())和as_in_context(mx.cpu()/mx.gpu()) 在cpu/gpu两种设备之间传输数据
#NDArray对象x在cpu上，下面通过as_in_context(mx.gpu())把x从cpu拷贝一份传输到gpu上
y1 = x.as_in_context(mx.gpu())
y1
Out[41]: [1. 2. 3.]
<NDArray 3 @gpu(0)>
y1.context
Out[42]: gpu(0)
#可以通过copyto(mx.cpu()/mx.gpu())和as_in_context(mx.cpu()/mx.gpu()) 在cpu/gpu两种设备之间传输数据
#NDArray对象y2在gpu上，下面通过as_in_context(mx.cpu())把y2从gpu拷贝一份传输到cpu上
x2 = y2.as_in_context(mx.cpu())
x2
Out[56]: [1. 2. 3.]
<NDArray 3 @cpu(0)>
x2.context
Out[57]: cpu(0)
#如果输入变量和通过as_in_context输出的变量都在同一个cpu或同一个gpu上的话，那么会共享使用同一份内存或显存
#下面输入变量y在gpu上，和通过as_in_context(mx.gpu())输出的变量也同在gpu上，因此共享使用同一份显存
y.as_in_context(mx.gpu()) is y
Out[45]: True
#如果输入变量和通过copyto输出的变量都在同一个cpu或同一个gpu上的话，那么实际不会共享使用同一份内存或显存，copyto会为输出变量开辟新的内存或显存
#下面输入变量y在gpu上，和通过copyto(mx.gpu())输出的变量也同在gpu上，因此实际不会共享使用同一份显存，copyto会为输出变量开辟新的显存
y.copyto(mx.gpu()) is y
Out[47]: False
#如果输入变量和通过as_in_context输出的变量都在同一个cpu或同一个gpu上的话，那么会共享使用同一份内存或显存
#下面输入变量x在cpu上，和通过as_in_context(mx.cpu())输出的变量也同在cpu上，因此共享使用同一份内存
x.as_in_context(mx.cpu()) is x
Out[45]: True
#如果输入变量和通过copyto输出的变量都在同一个cpu或同一个gpu上的话，那么实际不会共享使用同一份内存或显存，copyto会为输出变量开辟新的内存或显存
#下面输入变量x在cpu上，和通过copyto(mx.cpu())输出的变量也同在cpu上，因此实际不会共享使用同一份内存，copyto会为输出变量开辟新的内存
x.copyto(mx.cpu()) is x
Out[47]: False