深度学习 AMI
开发人员指南
AWS 文档中描述的 AWS 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 AWS 服务入门

将适用于推理的 Apache MXNet 与 ONNX 模型结合使用

如何将适用于映像推理的 ONNX 模型与 MXNet 结合使用

    • (适用于 Python 3 的选项)- 激活 Python 3 MXNet 环境:

      $ source activate mxnet_p36
    • (适用于 Python 2 的选项)- 激活 Python 2 MXNet 环境:

      $ source activate mxnet_p27
  1. 其余步骤假定您使用的是 mxnet_p36 环境。

  2. 下载一张哈士奇的照片。

    $ curl -O https://upload.wikimedia.org/wikipedia/commons/b/b5/Siberian_Husky_bi-eyed_Flickr.jpg
  3. 下载将使用此模型的类的列表。

    $ curl -O https://gist.githubusercontent.com/yrevar/6135f1bd8dcf2e0cc683/raw/d133d61a09d7e5a3b36b8c111a8dd5c4b5d560ee/imagenet1000_clsid_to_human.pkl
  4. 使用您的首选文本编辑器来创建具有以下内容的脚本。此脚本将使用哈士奇的图片,从预训练模型中获得预测结果,然后在类文件中查找,并返回一个预测结果。

    import mxnet as mx import numpy as np from collections import namedtuple from PIL import Image import pickle # Preprocess the image img = Image.open("Siberian_Husky_bi-eyed_Flickr.jpg") img = img.resize((224,224)) rgb_img = np.asarray(img, dtype=np.float32) - 128 bgr_img = rgb_img[..., [2,1,0]] img_data = np.ascontiguousarray(np.rollaxis(bgr_img,2)) img_data = img_data[np.newaxis, :, :, :].astype(np.float32) # Define the model's input data_names = ['data'] Batch = namedtuple('Batch', data_names) # Set the context to cpu or gpu ctx = mx.cpu() # Load the model sym, arg, aux = onnx_mxnet.import_model("vgg16.onnx") mod = mx.mod.Module(symbol=sym, data_names=data_names, context=ctx, label_names=None) mod.bind(for_training=False, data_shapes=[(data_names[0],img_data.shape)], label_shapes=None) mod.set_params(arg_params=arg, aux_params=aux, allow_missing=True, allow_extra=True) # Run inference on the image mod.forward(Batch([mx.nd.array(img_data)])) predictions = mod.get_outputs()[0].asnumpy() top_class = np.argmax(predictions) print(top_class) labels_dict = pickle.load(open("imagenet1000_clsid_to_human.pkl", "rb")) print(labels_dict[top_class])
  5. 然后运行脚本,您应看到一个如下所示的结果:

    248 Eskimo dog, husky