将适用于推理的 Apache MXNet（孵化版）与 ONNX 模型结合使用 - 深度学习 AMI
Amazon Web Services 文档中描述的 Amazon Web Services 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 Amazon Web Services 服务入门 (PDF)。

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。

将适用于推理的 Apache MXNet（孵化版）与 ONNX 模型结合使用

如何将适用于图像推理的 ONNX 模型与 Apache MXNet（孵化版）结合使用

    • （适用于 Python 3 的选项）— 激活 Python 3 Apache MXNet（孵化版）环境：

      $ source activate mxnet_p36

    • （适用于 Python 2 的选项）— 激活 Python 2 Apache MXNet（孵化版）环境：

      $ source activate mxnet_p27

  2. 其余步骤假定您使用的是 mxnet_p36 环境。

  3. 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

  4. 下载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

  5. 下载 ONNX 格式的预训练的 VGG 16 模型。

    $ wget -O vgg16.onnx https://github.com/onnx/models/raw/master/vision/classification/vgg/model/vgg16-7.onnx

  6. 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，并返回一个图片分类结果。

    import mxnet as mx
import mxnet.contrib.onnx as onnx_mxnet
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])

  7. 然后运行脚本，您应看到一个如下所示的结果：

    248
Eskimo dog, husky