張小白樹莓派4B踩坑記（四）

前情回顧：

張小白樹莓派4B踩坑記（一）https://bbs.huaweicloud.com/blogs/330786

張小白樹莓派4B踩坑記（二）https://bbs.huaweicloud.com/blogs/330956

張小白樹莓派4B踩坑記（三）https://bbs.huaweicloud.com/blogs/331140

上次編譯完了gcc aarch64版本，那就趁熱打鐵（其實已過了好些時日），把源碼編譯aarch64的CPU版本走下去吧！

git clone https://gitee.com/mindspore/mindspore.git -b r1.6

cd mindspore

bash build.sh -e cpu -j4

當然，也沒那么簡單。

一開始，樹莓派就給張小白一個下馬威：

張小白發了論壇帖問了下專家：https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=179684

終于決定用源碼安裝tclsh:cd

打開 http://www.tcl.tk/software/tcltk/8.6.html

下載源碼：

wget?https://prdownloads.sourceforge.net/tcl/tcl8.6.12-src.tar.gz

tar -zxvf tcl8.6.12-src.tar.gz

cd tcl*

cd unix

./configure --prefix=/usr/tcl

make

sudo make install

制作軟鏈接使得tclsh生效：

繼續編譯：

bash build.sh -e cpu -j4

耐心等待。。

突然又報了 CMAKE_CXX_COMPILER的錯。

真奇怪，cmake和gcc都是一切正常。不過張小白想起某次論壇跟帖中專家的話，似乎cmake版本高一點會解決這個問題，于是努力地付諸實踐：

下載cmake源碼包：

打開https://github.com/Kitware/CMake/

下載最新的releases（張小白編譯的時候還是 cmake3.23.0-rc1，現在截圖的時候變成了rc2，唉，說明截圖要趁早。。）

wget https://github.com/Kitware/CMake/releases/download/v3.23.0-rc1/cmake-3.23.0-rc1.tar.gz

./bootstrap

make -j8

sudo make install -j8

cmake -version

好了，cmake已升級，再繼續編譯：

好像過了這關，繼續往下編譯了。。。

直到：

原來是NUMA沒有安裝。

只是按照手冊apt安裝直接報錯：

于是張小白沒有辦法，只要繼續源碼安裝NUMA：

打開 https://github.com/numactl/

下載最新版本源碼并傳到樹莓派上，解壓：

./configure

make -j8

sudo make install -j8

再繼續編譯mindspore：

可見找到了NUMA而且往下走了。。

。。。

莫名停了：

重試一下：

。。。

看樣子像是內存不足，那就照例加虛擬內存吧！

增加虛擬內存6G：

再試試：

...

。。

...

源碼編譯完畢。

檢查一下：

跟上次Nano的3.7.5的編譯whl不同，這次樹莓派是3.9編譯的。所以文件名為：mindspore-1.6.0-cp39-cp39-linux_aarch64.whl

那么正好就在樹莓派官方系統缺省的python 3.9.2的環境下做個驗證。

cd ~/mindspore/output

pip install ./mindspore-1.6.0-cp39-cp39-linux_aarch64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple

是的，已經裝過了。

那就先刪了，再裝新的。

pip uninstall mindspore

pip install ./mindspore-1.6.0-cp39-cp39-linux_aarch64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple

驗證下：

最后來試一下LeNet網絡：

需要下載models代碼倉：

git clone https://gitee.com/mindspore/models.git

cd models/official/cv/lenet

mkdir MNIST

mkdir ckpt

裝pyyaml

pip install pyyaml -i https://pypi.tuna.tsinghua.edu.cn/simple

下載MNIST數據集：

wget http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz

wget http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz

wget http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz

wget http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz

按照README指定的方式解壓：

python train.py --data_path=./MNIST/ --device_target="CPU" --ckpt_path=./ckpt

耐心等待10輪epoch每輪1875step的訓練結束：

。。。

可見訓練完的loss已經是非常低了。

再查看生成的ckpt文件：

拿最后一個ckpt文件做個評估：

python eval.py --data_path=./MNIST/ --device_target="CPU" --ckpt_path=./ckpt/checkpoint_lenet-10_1875.ckpt

精確度為0.98左右。

于是，這就完成了對源碼編譯生成的whl文件的驗證。

張小白將編譯好的包傳到百度網盤，有心的人可以像Nano的包那樣嘗試一下：

鏈接：https://pan.baidu.com/s/14ik3UJ--CXLakbWty2lF9A

提取碼：6t4n

（未完待續）

gcc MindSpore

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。