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：
代码语言：txt复制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。
代码语言：txt复制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。
代码语言：txt复制import numpy as np
>>> b = mx.nd.array([[1,2,3], [2,3,4]], dtype=np.int32)
>>> b.dtypeNDArray的打印很简单，这样：
代码语言：txt复制>>> 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：
代码语言：txt复制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？
代码语言：txt复制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。
代码语言：txt复制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。
我正在参与2023腾讯技术创作特训营第三期有奖征文，组队打卡瓜分大奖！
