本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
使用 MXNet-Neuron 模型处理
在本教程中，您将学习如何使用预训练的 MXNet 模型，通过多模型服务器 (MMS) 执行实时图像分类。MMS 是一种灵活的 easy-to-use 工具，用于提供使用任何机器学习或深度学习框架训练的深度学习模型。本教程包括使用 Ne Amazon uron 的编译步骤和使用 MXNet 实现彩信。
有关 Neuron SDK 的更多信息，请参阅 Amazon Neuron SDK 文档
先决条件
使用本教程之前，您应已完成 启动带有神经元的 DLAMI 实例 Amazon 中的设置步骤。您还应该熟悉深度学习知识以及如何使用 DLAMI。
激活 Conda 环境
使用以下命令可激活 MXNet-Neuron Conda 环境：
source activate aws_neuron_mxnet_p36
要退出当前 Conda 环境，请运行：
source deactivate
下载示例代码
要运行本示例，请使用以下命令下载示例代码：
git clone https://github.com/awslabs/multi-model-server cd multi-model-server/examples/mxnet_vision
编译模型
创建一个名为 multi-model-server-compile.py 的 Python 脚本，其中包含以下内容。此脚本将 ResNet 50 模型编译为 Inferentia 设备目标。
import mxnet as mx from mxnet.contrib import neuron import numpy as np path='http://data.mxnet.io/models/imagenet/' mx.test_utils.download(path+'resnet/50-layers/resnet-50-0000.params') mx.test_utils.download(path+'resnet/50-layers/resnet-50-symbol.json') mx.test_utils.download(path+'synset.txt') nn_name = "resnet-50" #Load a model sym, args, auxs = mx.model.load_checkpoint(nn_name, 0) #Define compilation parameters# - input shape and dtype inputs = {'data' : mx.nd.zeros([1,3,224,224], dtype='float32') } # compile graph to inferentia target csym, cargs, cauxs = neuron.compile(sym, args, auxs, inputs) # save compiled model mx.model.save_checkpoint(nn_name + "_compiled", 0, csym, cargs, cauxs)
要编译模型，请使用以下命令：
python multi-model-server-compile.py
您的输出应与以下内容类似：
... [21:18:40] src/nnvm/legacy_json_util.cc:209: Loading symbol saved by previous version v0.8.0. Attempting to upgrade... [21:18:40] src/nnvm/legacy_json_util.cc:217: Symbol successfully upgraded! [21:19:00] src/operator/subgraph/build_subgraph.cc:698: start to execute partition graph. [21:19:00] src/nnvm/legacy_json_util.cc:209: Loading symbol saved by previous version v0.8.0. Attempting to upgrade... [21:19:00] src/nnvm/legacy_json_util.cc:217: Symbol successfully upgraded!
创建一个名为 signature.json 的文件，其中包含以下内容，以便配置输入名称和形状：
{ "inputs": [ { "data_name": "data", "data_shape": [ 1, 3, 224, 224 ] } ] }
使用以下命令下载 synset.txt 文件。此文件是 ImageNet 预测类的名称列表。
curl -O https://s3.amazonaws.com/model-server/model_archive_1.0/examples/squeezenet_v1.1/synset.txt
基于 model_server_template 文件夹中的模板，创建自定义服务类。使用以下命令，将模板复制到您的当前工作目录中：
cp -r ../model_service_template/* .
编辑 mxnet_model_service.py 模块，将 mx.cpu() 上下文替换为 mx.neuron() 上下文，如下所示。您还需要注释掉不必要的 model_input 数据副本，因为 MXNet-Neuron 不支持 NDarray 和 Gluon API。
... self.mxnet_ctx = mx.neuron() if gpu_id is None else mx.gpu(gpu_id) ... #model_input = [item.as_in_context(self.mxnet_ctx) for item in model_input]
使用以下命令，通过模型归档程序对模型进行打包：
cd ~/multi-model-server/examples model-archiver --force --model-name resnet-50_compiled --model-path mxnet_vision --handler mxnet_vision_service:handle
运行推理
使用以下命令启动多模型服务器并加载使用 RESTful API 的模型。确保 neuron-rtd 正在使用默认设置运行。
cd ~/multi-model-server/ multi-model-server --start --model-store examples > /dev/null # Pipe to log file if you want to keep a log of MMS curl -v -X POST "http://localhost:8081/models?initial_workers=1&max_workers=4&synchronous=true&url=resnet-50_compiled.mar" sleep 10 # allow sufficient time to load model
通过以下命令，使用示例图像运行推理：
curl -O https://raw.githubusercontent.com/awslabs/multi-model-server/master/docs/images/kitten_small.jpg curl -X POST http://127.0.0.1:8080/predictions/resnet-50_compiled -T kitten_small.jpg
您的输出应与以下内容类似：
[ { "probability": 0.6388034820556641, "class": "n02123045 tabby, tabby cat" }, { "probability": 0.16900072991847992, "class": "n02123159 tiger cat" }, { "probability": 0.12221276015043259, "class": "n02124075 Egyptian cat" }, { "probability": 0.028706775978207588, "class": "n02127052 lynx, catamount" }, { "probability": 0.01915954425930977, "class": "n02129604 tiger, Panthera tigris" } ]
要执行测试后清理，请通过 RESTful API 发出删除命令，并使用以下命令停止模型服务器：
curl -X DELETE http://127.0.0.1:8081/models/resnet-50_compiled multi-model-server --stop
您应看到以下输出：
{ "status": "Model \"resnet-50_compiled\" unregistered" } Model server stopped. Found 1 models and 1 NCGs. Unloading 10001 (MODEL_STATUS_STARTED) :: success Destroying NCG 1 :: success