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 和 Neuron 编译器 Amazon
MXnet-Neuron 编译 API 提供了一种编译模型图的方法，您可以在 Inferentia 设备上运行该模型。 Amazon
在此示例中，您使用 API 编译 ResNet -50 模型并使用它来运行推理。
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
Resnet50 编译
创建一个名为 mxnet_compile_resnet50.py 的 Python 脚本，其中包含以下内容。此脚本使用 mxNet-Neuron 编译 Python API 来编译 ResNet -50 模型。
import mxnet as mx import numpy as np print("downloading...") 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') print("download finished.") sym, args, aux = mx.model.load_checkpoint('resnet-50', 0) print("compile for inferentia using neuron... this will take a few minutes...") inputs = { "data" : mx.nd.ones([1,3,224,224], name='data', dtype='float32') } sym, args, aux = mx.contrib.neuron.compile(sym, args, aux, inputs) print("save compiled model...") mx.model.save_checkpoint("compiled_resnet50", 0, sym, args, aux)
使用以下命令编译该模型：
python mxnet_compile_resnet50.py
编译需要几分钟。当编译完成后，以下文件将出现在您的当前目录中：
resnet-50-0000.params resnet-50-symbol.json compiled_resnet50-0000.params compiled_resnet50-symbol.json
ResNet50 推论
创建一个名为 mxnet_infer_resnet50.py 的 Python 脚本，其中包含以下内容。此脚本会下载一个示例映像，然后使用该映像对已编译的模型运行推理过程。
import mxnet as mx import numpy as np path='http://data.mxnet.io/models/imagenet/' mx.test_utils.download(path+'synset.txt') fname = mx.test_utils.download('https://raw.githubusercontent.com/awslabs/mxnet-model-server/master/docs/images/kitten_small.jpg') img = mx.image.imread(fname) # convert into format (batch, RGB, width, height) img = mx.image.imresize(img, 224, 224) # resize img = img.transpose((2, 0, 1)) # Channel first img = img.expand_dims(axis=0) # batchify img = img.astype(dtype='float32') sym, args, aux = mx.model.load_checkpoint('compiled_resnet50', 0) softmax = mx.nd.random_normal(shape=(1,)) args['softmax_label'] = softmax args['data'] = img # Inferentia context ctx = mx.neuron() exe = sym.bind(ctx=ctx, args=args, aux_states=aux, grad_req='null') with open('synset.txt', 'r') as f: labels = [l.rstrip() for l in f] exe.forward(data=img) prob = exe.outputs[0].asnumpy() # print the top-5 prob = np.squeeze(prob) a = np.argsort(prob)[::-1] for i in a[0:5]: print('probability=%f, class=%s' %(prob[i], labels[i]))
使用以下命令对已编译模型运行推理过程：
python mxnet_infer_resnet50.py
您的输出应与以下内容类似：
probability=0.642454, class=n02123045 tabby, tabby cat probability=0.189407, class=n02123159 tiger cat probability=0.100798, class=n02124075 Egyptian cat probability=0.030649, class=n02127052 lynx, catamount probability=0.016278, class=n02129604 tiger, Panthera tigris