近年来，深度学习非常火，也发展出TensorFlow、Keras、Caffe、PyTorch、Theano、CNTK、MXNet、PaddlePaddle、Deeplearning4j、ONNX等一系列开源的深度学习框架。在深度学习相关应用开发中，使用最为广泛的无疑是Python编程语言。就我所知，目前，只有MXNet提供了Perl编程语言的API。六年前，我在基于Gentoo Linux的服务器上成功安装了MXNet及其Perl应用程序编程接口（AI::MXNet）。今年开始有些自己的时间了，所以前段时间想给自己的笔记本电脑也安装上，没想到竟然折腾了近一个月才成功完成。这里记录大概过程，希望同道中人能吸取教训。

我笔记本电脑的操作系统是Ubuntu 22.10，所以大概流程是参照在Ubuntu上从源代码安装MXNet网页来的。我笔记本电脑上那个250的GPU曾经给了我惨痛教训。前段时间，也还曾用anaconda搭建了GPU版的PyTorch深度学习环境并进行了一些学习与测试，结果表明，2G显存根本不够用。因此，这次就直接编译CPU版本的MXNet。

一、从源代码安装MXNet共享库文件

1、安装依赖文库
sudo apt install build-essential git ninja-build ccache libopenblas-dev libopencv-dev cmake

2、下载并配置MXNet源代码
git clone --recursive https://github.com/apache/mxnet.git mxnet
cd mxnet
cp config/linux.cmake config.cmake

3、编译安装MXNet核心共享库文件
mkdir -p build && cd build
cmake ..
cmake --build .
sudo make install

编译过程中会有后多反馈，最终cc1plus: all warnings being treated as errors。编译失败。尝试cmake .. --compile-no-warning-as-error -Wno-deprecated -Wl,--copy-dt-needed-entries再cmake --build .。仍然会出错，尤其是第三方软件的编译。每当此时，可grep -rl Werror * | xargs sed -i 's/Werror/Wno-error/g'后再次编译，反复几次，终于编译出libmxnet.so、libmxnet.a等核心共享库文件，sudo make install后核心共享库文件以及很多头文件成功安装到相应目录。

二、给MXNet安装Perl编程语言包

1、安装依赖文库与软件
（1）sudo apt install libmouse-perl pdl cpanminus swig libgraphviz-perl
我的笔记本电脑先前已经通过cpan成功安装了PDL。一不小心，sudo apt install pdl又安装了一次。用cpan安装的，可执行文件在/usr/local/bin，相关模块在/usr/local/share/perl/；sudo apt install pdl安装的，可执行文件在/usr/bin，相关模块大概在/usr/lib/x86_64-linux-gnu/perl5/。唉，冗余了，后续也引起了一下问题。cpanmimus也不一定需要，我就用的cpan。
（2）sudo cpan install Function::Parameters Hash::Ordered PDL::CCS

2、安装AI::MXNet及相关模块

在我准备开始安装AI::MXNet及相关模块，结果发现通过命令git clone --recursive https://github.com/apache/mxnet.git mxnet下载MXNet是默认的最新的1.9.1版，而这个版本里面没有perl-package这个目录及内容。于是自己从metacpan去下载了AI-MXNet-1.5、AI-NNVMCAPI-1.4、AI-MXNetCAPI-1.5、AI-MXNet-Gluon-ModelZoo-1.33、AI-MXNet-Gluon-Contrib-1.33等压缩包，自己在MXNet目录内新建了perl-package目录，将上述包解压到那儿，然后先到AI-MXNetCAPI目录内，依次运行perl Makefile.PL、make、make test、sudo make install。结果编译时反馈mxnet_wrap.cxx:1642:10: fatal error: c_api.h: 没有那个文件或目录。失败。但实际上有对应的文件，在/usr/local/include/mxnet/c_api.h。把这个文件拷贝一份到上一层目录，no such file or directory的错误是没有了，但是反馈了更多错误：
mxnet_wrap.cxx:4845:78: error: invalid conversion from ‘void**’ to ‘int’ [-fpermissive]......
最后发现，MXNet1.9.1版的c_api.h与1.9.0版的c_api.h差别很大，文件大小都相差几十K。于是，运行：
git clone -b 1.9.0 --recursive https://github.com/apache/mxnet.git mxnet
把MXNet的1.9.0版全部拖下来，重新编译安装MXNet共享库文件。1.9.0版自己带了perl-package目录及相关模块内容，再次先进入AI-MXNetCAPI目录内，再次安装安装AI::MXNet及相关模块。1.9.0版自己带了perl-package目录，依次运行perl Makefile.PL、make、make test、sudo make install，一切顺利。然后分别到AI-NNVMCAPI、AI-MXNet-Gluon-Contrib、AI-MXNet-Gluon-ModelZoo等目录中如法炮制，也一切顺利。最后到AI-MXNet目录，如法炮制，在make test时会发现成功极少，绝大多数都是失败。跳过测试，强行sudo make install。看上去安装完了，但用起来各种古而怪之的错误。或者是undefined symbol: MXListAllOpNames；或者是Attribute (sum_metric) does not pass the type constraint because: Validation failed for 'Maybe[ArrayRef[Num]|Num]' with value PDL=SCALAR(0x55674b3f28d8) at /usr/lib/x86_64-linux-gnu/perl5/5.34/Mouse/Util.pm line 395.等等。

在我的IPerl 0.012为内核的jupyter notebook中测试，比如
In [ 1 ]      use AI::MXNet qw(mx);    # imports the AI::MXNet::NDArray module
                my $ndarray = mx->nd->array([[1,2,3],[4,5,6]]);
                print $ndarray->aspdl;
Out [ 2 ]
[
  [1 2 3]
  [0 0 0]
]
居然 [0 0 0]而不是[4 5 6]，太奇怪了。一度怀疑PDL，但测试发现PDL是没问题的。后来终于在GitHub上读到了这个https://github.com/apache/mxnet/pull/21191/files，按照这个文件所说，直接在笔记本电脑上把Base.pm编辑修改了。终于正常工作了。非常感谢Sergey Kolychev，期间一直与他反复邮件交流。他也将AI::MXNet更新到了1.6版并上传到了metacpan。于是，下载AI-MXNet-1.6、解压替换MXNet的perl-package目录中的AI-MXNet文件夹。重新在AI-MXNet里perl Makefile.PL、make、sudo make install。因为 make test太费时间，所以省略了。编译AI-MXNet时，相应目录内会生成examples文件夹，进去后有各种示例代码。一一测试，都能正常工作了。Epoch让我快乐！

总结一下：下载MXNet1.9.0版；下载AI-MXNet-1.6并替换MXNet1.9.0版中对应的AI-MXNet！