ML 映像分类 连接器 - AWS IoT Greengrass
要求参数输入数据输出数据示例用法安装 MXNet 依赖项日志记录和问题排查许可证Changelog另请参阅
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。

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。

ML 映像分类 连接器

ML 映像分类 连接器提供在 AWS IoT Greengrass Core 上运行的机器学习 (ML) 推理服务。这一本地推理服务使用由 SageMaker 图像分类算法训练的模型执行图像分类。

用户定义的 Lambda 函数使用 AWS IoT Greengrass机器学习 SDK 将推理请求提交给本地推理服务。该服务在本地运行推理，并返回输入映像属于特定类别的概率。

AWS IoT Greengrass 提供此连接器的以下版本，可用于多个平台。

Version 2

连接器

描述和 ARN

ML 映像分类 Aarch64 JTX2

映像分类推理服务（适用于 NVIDIA Jetson TX2）。支持 GPU 加速。

ARN：arn:aws:greengrass:区域::/connectors/ImageClassificationAarch64JTX2/versions/2

ML 映像分类 x86_64

映像分类推理服务（适用于 x86_64 平台）。

ARN：arn:aws:greengrass:区域::/connectors/ImageClassificationx86-64/versions/2

ML 映像分类 ARMv7

映像分类推理服务（适用于 ARMv7 平台）。

ARN：arn:aws:greengrass:区域::/connectors/ImageClassificationARMv7/versions/2
Version 1

连接器

描述和 ARN

ML 映像分类 Aarch64 JTX2

映像分类推理服务（适用于 NVIDIA Jetson TX2）。支持 GPU 加速。

ARN：arn:aws:greengrass:区域::/connectors/ImageClassificationAarch64JTX2/versions/1

ML 映像分类 x86_64

映像分类推理服务（适用于 x86_64 平台）。

ARN：arn:aws:greengrass:区域::/connectors/ImageClassificationx86-64/versions/1

ML 映像分类 ARMv7

映像分类推理服务（适用于 Armv7 平台）。

ARN：arn:aws:greengrass:区域::/connectors/ImageClassificationARMv7/versions/1

有关版本更改的信息，请参阅更改日志。

要求

这些连接器具有以下要求：

Version 2

  • AWS IoT Greengrass Core 软件 v1.9.3 or later。

  • Python 版本 3.7 已安装在核心设备上并且已添加到 PATH 环境变量。

  • 安装在核心设备上的 Apache MXNet 框架的依赖项。有关更多信息，请参阅 在 AWS IoT Greengrass 核心上安装 MXNet 依赖项。

  • Greengrass 组中引用 SageMaker 模型源的一个 ML 资源。该模型必须由 SageMaker 镜像分类算法训练。有关更多信息，请参阅 Amazon SageMaker 开发人员指南 中的镜像分类算法。

  • 添加到 Greengrass 组且已配置的 ML 反馈 连接器。仅当您要使用此连接器上传模型输入数据并将预测发布到 MQTT 主题时，这才是必需的。

  • Greengrass 组角色，配置为允许对目标训练作业执行 sagemaker:DescribeTrainingJob 操作，如以下示例 IAM 策略中所示。 

    {
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Action": [
                "sagemaker:DescribeTrainingJob"
            ],
            "Resource": "arn:aws:sagemaker:region:account-id:training-job:training-job-name"
        }
    ]
}

    对于组角色要求，您必须将角色配置为授予所需权限，并确保角色已添加到组中。有关更多信息，请参阅管理 Greengrass 组角色（控制台）或管理 Greengrass 组角色 (CLI)。

    您可以授予对资源的具体或条件访问权限（例如，通过使用通配符*命名方案）。如果将来要更改目标训练任务，请务必更新组角色。

  • 与此连接器进行交互时需要 AWS IoT Greengrass机器学习 SDK v1.1.0。

Version 1

  • AWS IoT Greengrass 核心软件 v1.7 or later。

  • Python 版本 2.7 已安装在核心设备上并且已添加到 PATH 环境变量。

  • 安装在核心设备上的 Apache MXNet 框架的依赖项。有关更多信息，请参阅 在 AWS IoT Greengrass 核心上安装 MXNet 依赖项。

  • Greengrass 组中引用 SageMaker 模型源的一个 ML 资源。该模型必须由 SageMaker 镜像分类算法训练。有关更多信息，请参阅 Amazon SageMaker 开发人员指南 中的镜像分类算法。

  • Greengrass 组角色，配置为允许对目标训练作业执行 sagemaker:DescribeTrainingJob 操作，如以下示例 IAM 策略中所示。 

    {
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Action": [
                "sagemaker:DescribeTrainingJob"
            ],
            "Resource": "arn:aws:sagemaker:region:account-id:training-job:training-job-name"
        }
    ]
}

    对于组角色要求，您必须将角色配置为授予所需权限，并确保角色已添加到组中。有关更多信息，请参阅管理 Greengrass 组角色（控制台）或管理 Greengrass 组角色 (CLI)。

    您可以授予对资源的具体或条件访问权限（例如，通过使用通配符*命名方案）。如果将来要更改目标训练任务，请务必更新组角色。

  • 与此连接器进行交互时需要 AWS IoT Greengrass机器学习 SDK v1.0.0 或更高版本。

连接器参数

这些连接器提供以下参数。

Version 2
MLModelDestinationPath

Lambda 环境中 ML 资源的本地绝对路径。这是为 ML 资源指定的目标路径。

注意

如果您在控制台中创建了 ML 资源，这便是本地路径。

在 AWS IoT 控制台中显示名称：模型目标路径

必需：true

类型：string

有效模式：.+

MLModelResourceId

引用源模型的 ML 资源的 ID。

在 AWS IoT 控制台中显示名称：SageMaker 作业 ARN 资源

必需：true

类型：string

有效模式：[a-zA-Z0-9:_-]+

MLModelSageMakerJobArn

表示 SageMaker 模型源的 SageMaker 训练作业的 ARN。该模型必须由 SageMaker 镜像分类算法训练。

在 AWS IoT 控制台中显示名称：SageMaker 作业 ARN

必需：true

类型：string

有效模式：^arn:aws:sagemaker:[a-zA-Z0-9-]+:[0-9]+:training-job/[a-zA-Z0-9][a-zA-Z0-9-]+$

LocalInferenceServiceName

本地推理服务的名称。用户定义的 Lambda 函数将该服务的名称传递给 AWS IoT Greengrass机器学习 SDK 的 invoke_inference_service 函数，从而调用该服务。有关示例，请参阅示例用法。

在 AWS IoT 控制台中显示名称：本地推理服务名称

必需：true

类型：string

有效模式：[a-zA-Z0-9][a-zA-Z0-9-]{1,62}

LocalInferenceServiceTimeoutSeconds

在推理请求终止之前经过的时间（以秒为单位）。最小值为 1。

在 AWS IoT 控制台中显示名称：超时（秒）

必需：true

类型：string

有效模式：[1-9][0-9]*

LocalInferenceServiceMemoryLimitKB

该服务有权访问的内存量（以 KB 为单位）。最小值为 1。

在 AWS IoT 控制台中显示名称：内存限制 (KB)

必需：true

类型：string

有效模式：[1-9][0-9]*

GPUAcceleration

CPU 或 GPU（加速）计算上下文。此属性仅适用于ML 映像分类 Aarch64 JTX2 连接器。

在 AWS IoT 控制台中显示名称：GPU 加速

必需：true

类型：string

有效值：CPU 或 GPU

MLFeedbackConnectorConfigId

用于上传模型输入数据的反馈配置的 ID。这必须与为 ML 反馈连接器定义的反馈配置的 ID 匹配。

仅当您要使用 ML 反馈连接器上传模型输入数据并将预测发布到 MQTT 主题时，才需要此参数。

在 AWS IoT 控制台中显示名称：ML 反馈连接器配置 ID

必需: false

类型：string

有效模式: ^$|^[a-zA-Z0-9][a-zA-Z0-9-]{1,62}$

Version 1
MLModelDestinationPath

Lambda 环境中 ML 资源的本地绝对路径。这是为 ML 资源指定的目标路径。

注意

如果您在控制台中创建了 ML 资源，这便是本地路径。

在 AWS IoT 控制台中显示名称：模型目标路径

必需：true

类型：string

有效模式：.+

MLModelResourceId

引用源模型的 ML 资源的 ID。

在 AWS IoT 控制台中显示名称：SageMaker 作业 ARN 资源

必需：true

类型：string

有效模式：[a-zA-Z0-9:_-]+

MLModelSageMakerJobArn

表示 SageMaker 模型源的 SageMaker 训练作业的 ARN。该模型必须由 SageMaker 镜像分类算法训练。

在 AWS IoT 控制台中显示名称：SageMaker 作业 ARN

必需：true

类型：string

有效模式：^arn:aws:sagemaker:[a-zA-Z0-9-]+:[0-9]+:training-job/[a-zA-Z0-9][a-zA-Z0-9-]+$

LocalInferenceServiceName

本地推理服务的名称。用户定义的 Lambda 函数将该服务的名称传递给 AWS IoT Greengrass机器学习 SDK 的 invoke_inference_service 函数，从而调用该服务。有关示例，请参阅示例用法。

在 AWS IoT 控制台中显示名称：本地推理服务名称

必需：true

类型：string

有效模式：[a-zA-Z0-9][a-zA-Z0-9-]{1,62}

LocalInferenceServiceTimeoutSeconds

在推理请求终止之前经过的时间（以秒为单位）。最小值为 1。

在 AWS IoT 控制台中显示名称：超时（秒）

必需：true

类型：string

有效模式：[1-9][0-9]*

LocalInferenceServiceMemoryLimitKB

该服务有权访问的内存量（以 KB 为单位）。最小值为 1。

在 AWS IoT 控制台中显示名称：内存限制 (KB)

必需：true

类型：string

有效模式：[1-9][0-9]*

GPUAcceleration

CPU 或 GPU（加速）计算上下文。此属性仅适用于ML 映像分类 Aarch64 JTX2 连接器。

在 AWS IoT 控制台中显示名称：GPU 加速

必需：true

类型：string

有效值：CPU 或 GPU

创建连接器示例 (AWS CLI)

以下 CLI 命令创建一个 ConnectorDefinition，它具有包含ML 映像分类的初始版本。

示例：CPU 实例

以下示例创建ML 映像分类 ARMv7l 连接器的实例。

aws greengrass create-connector-definition --name MyGreengrassConnectors --initial-version '{
    "Connectors": [
        {
            "Id": "MyImageClassificationConnector",
            "ConnectorArn": "arn:aws:greengrass:区域::/connectors/ImageClassificationARMv7/versions/2",
            "Parameters": {
                "MLModelDestinationPath": "/path-to-model",
                "MLModelResourceId": "my-ml-resource",
                "MLModelSageMakerJobArn": "arn:aws:sagemaker:us-west-2:123456789012:training-job:MyImageClassifier",
                "LocalInferenceServiceName": "imageClassification",
                "LocalInferenceServiceTimeoutSeconds": "10",
                "LocalInferenceServiceMemoryLimitKB": "500000",
                "MLFeedbackConnectorConfigId": "MyConfig0"
            }
        }
    ]
}'
示例：GPU 实例

此示例创建ML 映像分类 Aarch64 JTX2 连接器的实例，该实例在 NVIDIA Jetson TX2 面板上支持 GPU 加速。

aws greengrass create-connector-definition --name MyGreengrassConnectors --initial-version '{
    "Connectors": [
        {
            "Id": "MyImageClassificationConnector",
            "ConnectorArn": "arn:aws:greengrass:区域::/connectors/ImageClassificationAarch64JTX2/versions/2",
            "Parameters": {
                "MLModelDestinationPath": "/path-to-model",
                "MLModelResourceId": "my-ml-resource",
                "MLModelSageMakerJobArn": "arn:aws:sagemaker:us-west-2:123456789012:training-job:MyImageClassifier",
                "LocalInferenceServiceName": "imageClassification",
                "LocalInferenceServiceTimeoutSeconds": "10",
                "LocalInferenceServiceMemoryLimitKB": "500000",
                "GPUAcceleration": "GPU",
                "MLFeedbackConnectorConfigId": "MyConfig0"
            }
        }
    ]
}'
注意

这些连接器中的 Lambda 函数具有很长的生命周期。

在 AWS IoT Greengrass 控制台 中，您可以从该组的 Connectors (连接器)页面添加一个连接器。有关更多信息，请参阅 Greengrass 连接器入门（控制台）。

输入数据

这些连接器接受一个图像文件作为输入。输入图像文件必须为 jpeg 或 png 格式。有关更多信息，请参阅 示例用法。

这些连接器不接受 MQTT 消息作为输入数据。

输出数据

这些连接器返回输入图像中识别的对象的格式化预测：

[0.3,0.1,0.04,...]

预测包含值列表，这些值与模型训练期间训练数据集中使用的类别相对应。每个值代表图像落入相应类别的概率。概率最高的类别是主导预测。

这些连接器不会将 MQTT 消息作为输出数据发布。

示例用法

下面的示例 Lambda 函数使用 AWS IoT Greengrass机器学习 SDK 与ML 映像分类连接器进行交互。

注意

您可以从 AWS IoT Greengrass机器学习 SDK downloads 页面下载开发工具包。

该示例初始化一个开发工具包客户端，并同步调用该开发工具包的 invoke_inference_service 函数来调用本地推理服务。它会传入算法类型、服务名称、映像类型和映像内容。然后，该示例会解析服务响应以获取概率结果（预测）。

Python 3.7
import logging
from threading import Timer

import numpy as np

import greengrass_machine_learning_sdk as ml

# We assume the inference input image is provided as a local file
# to this inference client Lambda function.
with open('/test_img/test.jpg', 'rb') as f:
    content = bytearray(f.read())

client = ml.client('inference')

def infer():
    logging.info('invoking Greengrass ML Inference service')

    try:
        resp = client.invoke_inference_service(
            AlgoType='image-classification',
            ServiceName='imageClassification',
            ContentType='image/jpeg',
            Body=content
        )
    except ml.GreengrassInferenceException as e:
        logging.info('inference exception {}("{}")'.format(e.__class__.__name__, e))
        return
    except ml.GreengrassDependencyException as e:
        logging.info('dependency exception {}("{}")'.format(e.__class__.__name__, e))
        return

    logging.info('resp: {}'.format(resp))
    predictions = resp['Body'].read().decode("utf-8")
    logging.info('predictions: {}'.format(predictions))
    
    # The connector output is in the format: [0.3,0.1,0.04,...]
    # Remove the '[' and ']' at the beginning and end.
    predictions = predictions[1:-1]
    count = len(predictions.split(','))
    predictions_arr = np.fromstring(predictions, count=count, sep=',')

    # Perform business logic that relies on the predictions_arr, which is an array
    # of probabilities.
    
    # Schedule the infer() function to run again in one second.
    Timer(1, infer).start()
    return

infer()

def function_handler(event, context):
    return
Python 2.7
import logging
from threading import Timer

import numpy

import greengrass_machine_learning_sdk as gg_ml

# The inference input image.
with open('/test_img/test.jpg', 'rb') as f:
    content = f.read()

client = gg_ml.client('inference')


def infer():
    logging.info('Invoking Greengrass ML Inference service')

    try:
        resp = client.invoke_inference_service(
            AlgoType='image-classification',
            ServiceName='imageClassification',
            ContentType='image/jpeg',
            Body=content)
    except gg_ml.GreengrassInferenceException as e:
        logging.info('Inference exception %s("%s")', e.__class__.__name__, e)
        return
    except gg_ml.GreengrassDependencyException as e:
        logging.info('Dependency exception %s("%s")', e.__class__.__name__, e)
        return

    logging.info('Response: %s', resp)
    predictions = resp['Body'].read()
    logging.info('Predictions: %s', predictions)

    # The connector output is in the format: [0.3,0.1,0.04,...]
    # Remove the '[' and ']' at the beginning and end.
    predictions = predictions[1:-1]
    predictions_arr = numpy.fromstring(predictions, sep=',')
    logging.info("Split into %s predictions.", len(predictions_arr))

    # Perform business logic that relies on predictions_arr, which is an array
    # of probabilities.

    # Schedule the infer() function to run again in one second.
    Timer(1, infer).start()


infer()


# In this example, the required AWS Lambda handler is never called.
def function_handler(event, context):
    return

AWS IoT Greengrass机器学习 SDK 中的 invoke_inference_service 函数接受以下参数：

参数

描述

AlgoType

要用于推理的算法类型的名称。目前仅支持 image-classification。

必需：true

类型：string

有效值：image-classification

ServiceName

本地推理服务的名称。在配置了连接器时，使用为 LocalInferenceServiceName 参数指定的名称。

必需：true

类型：string

ContentType

输入映像的 mime 类型。

必需：true

类型：string

有效值：image/jpeg, image/png

Body

输入映像文件的内容。

必需：true

类型：binary

在 AWS IoT Greengrass 核心上安装 MXNet 依赖项

要使用ML 映像分类连接器，您必须在核心设备上安装 Apache MXNet 框架的依赖项。连接器使用该框架来处理 ML 模型。

注意

这些连接器捆绑到预编译的 MXNet 库，因此无需在核心设备上安装 MXNet 框架。

AWS IoT Greengrass 提供了脚本来安装以下常见平台和设备的依赖项（或用作安装参考）。如果使用的是其他平台或设备，请参阅 MXNet 文档以了解您的配置。

安装 MXNet 依赖项之前，请确保设备上存在所需的系统库（具有指定的最低版本）。

NVIDIA Jetson TX2

  1. 安装 CUDA Toolkit 9.0 和 cuDNN 7.0。您可以按照入门教程中设置其他设备中的说明进行操作。

  2. 启用通用存储库，以便连接器可以安装社区维护的开放软件。有关更多信息，请参阅 Ubuntu 文档中的 Repositories/Ubuntu。

    1. 打开 /etc/apt/sources.list 文件。

    2. 确保以下各行已取消注释。

      deb http://ports.ubuntu.com/ubuntu-ports/ xenial universe
deb-src http://ports.ubuntu.com/ubuntu-ports/ xenial universe
deb http://ports.ubuntu.com/ubuntu-ports/ xenial-updates universe
deb-src http://ports.ubuntu.com/ubuntu-ports/ xenial-updates universe

  3. 将以下安装脚本的副本保存到核心设备上一个名为 nvidiajtx2.sh 的文件。

    Python 3.7Python 2.7
    Python 3.7
    #!/bin/bash
set -e

echo "Installing dependencies on the system..."
echo 'Assuming that universe repos are enabled and checking dependencies...'
apt-get -y update
apt-get -y dist-upgrade
apt-get install -y liblapack3 libopenblas-dev liblapack-dev libatlas-base-dev
apt-get install -y python3.7 python3.7-dev

python3.7 -m pip install --upgrade pip
python3.7 -m pip install numpy==1.15.0
python3.7 -m pip install opencv-python || echo 'Error: Unable to install OpenCV with pip on this platform. Try building the latest OpenCV from source (https://github.com/opencv/opencv).'

echo 'Dependency installation/upgrade complete.'
    注意

    如果 OpenCV 使用此脚本无法成功安装，您可以尝试从源代码进行构建。有关更多信息，请参阅 OpenCV 文档中的在 Linux 中安装，或参考您平台的其他在线资源。

    Python 2.7
    #!/bin/bash
set -e

echo "Installing dependencies on the system..."
echo 'Assuming that universe repos are enabled and checking dependencies...'
apt-get -y update
apt-get -y dist-upgrade
apt-get install -y liblapack3 libopenblas-dev liblapack-dev libatlas-base-dev python-dev

echo 'Install latest pip...'
wget https://bootstrap.pypa.io/get-pip.py
python get-pip.py
rm get-pip.py

pip install numpy==1.15.0 scipy

echo 'Dependency installation/upgrade complete.'

  4. 从保存文件的目录中，键入以下命令：

    sudo nvidiajtx2.sh
x86_64 (Ubuntu or Amazon Linux)

  1. 将以下安装脚本的副本保存到核心设备上一个名为 x86_64.sh 的文件。

    Python 3.7Python 2.7
    Python 3.7
    #!/bin/bash
set -e

echo "Installing dependencies on the system..."

release=$(awk -F= '/^NAME/{print $2}' /etc/os-release)

if [ "$release" == '"Ubuntu"' ]; then
  # Ubuntu. Supports EC2 and DeepLens. DeepLens has all the dependencies installed, so
  # this is mostly to prepare dependencies on Ubuntu EC2 instance.
  apt-get -y update
  apt-get -y dist-upgrade

  apt-get install -y libgfortran3 libsm6 libxext6 libxrender1
  apt-get install -y python3.7 python3.7-dev
elif [ "$release" == '"Amazon Linux"' ]; then
  # Amazon Linux. Expect python to be installed already
  yum -y update
  yum -y upgrade

  yum install -y compat-gcc-48-libgfortran libSM libXrender libXext
else
  echo "OS Release not supported: $release"
  exit 1
fi

python3.7 -m pip install --upgrade pip
python3.7 -m pip install numpy==1.15.0
python3.7 -m pip install opencv-python || echo 'Error: Unable to install OpenCV with pip on this platform. Try building the latest OpenCV from source (https://github.com/opencv/opencv).'

echo 'Dependency installation/upgrade complete.'
    注意

    如果 OpenCV 使用此脚本无法成功安装，您可以尝试从源代码进行构建。有关更多信息，请参阅 OpenCV 文档中的在 Linux 中安装，或参考您平台的其他在线资源。

    Python 2.7
    #!/bin/bash
set -e

echo "Installing dependencies on the system..."

release=$(awk -F= '/^NAME/{print $2}' /etc/os-release)

if [ "$release" == '"Ubuntu"' ]; then
  # Ubuntu. Supports EC2 and DeepLens. DeepLens has all the dependencies installed, so
  # this is mostly to prepare dependencies on Ubuntu EC2 instance.
  apt-get -y update
  apt-get -y dist-upgrade

  apt-get install -y libgfortran3 libsm6 libxext6 libxrender1 python-dev python-pip
elif [ "$release" == '"Amazon Linux"' ]; then
  # Amazon Linux. Expect python to be installed already
  yum -y update
  yum -y upgrade

  yum install -y compat-gcc-48-libgfortran libSM libXrender libXext python-pip
else
  echo "OS Release not supported: $release"
  exit 1
fi

pip install numpy==1.15.0 scipy opencv-python

echo 'Dependency installation/upgrade complete.'

  2. 从保存文件的目录中，键入以下命令：

    sudo x86_64.sh
Armv7 (Raspberry Pi)

  1. 将以下安装脚本的副本保存到核心设备上一个名为 armv7l.sh 的文件。

    Python 3.7Python 2.7
    Python 3.7
    #!/bin/bash
set -e

echo "Installing dependencies on the system..."

apt-get update
apt-get -y upgrade

apt-get install -y liblapack3 libopenblas-dev liblapack-dev
apt-get install -y python3.7 python3.7-dev

python3.7 -m pip install --upgrade pip
python3.7 -m pip install numpy==1.15.0
python3.7 -m pip install opencv-python || echo 'Error: Unable to install OpenCV with pip on this platform. Try building the latest OpenCV from source (https://github.com/opencv/opencv).'

echo 'Dependency installation/upgrade complete.'
    注意

    如果 OpenCV 使用此脚本无法成功安装，您可以尝试从源代码进行构建。有关更多信息，请参阅 OpenCV 文档中的在 Linux 中安装，或参考您平台的其他在线资源。

    Python 2.7
    #!/bin/bash
set -e

echo "Installing dependencies on the system..."

apt-get update
apt-get -y upgrade

apt-get install -y liblapack3 libopenblas-dev liblapack-dev python-dev

# python-opencv depends on python-numpy. The latest version in the APT repository is python-numpy-1.8.2
# This script installs python-numpy first so that python-opencv can be installed, and then install the latest
# numpy-1.15.x with pip
apt-get install -y python-numpy python-opencv
dpkg --remove --force-depends python-numpy

echo 'Install latest pip...'
wget https://bootstrap.pypa.io/get-pip.py
python get-pip.py
rm get-pip.py

pip install --upgrade numpy==1.15.0 picamera scipy

echo 'Dependency installation/upgrade complete.'

  2. 从保存文件的目录中，键入以下命令：

    sudo bash armv7l.sh
    注意

    在 Raspberry Pi 上，使用 pip 安装机器学习依赖项是一项内存密集型操作，可能会导致设备用尽内存，变得无法响应。解决办法是临时增加交换空间大小：

    在 /etc/dphys-swapfile 中，增加 CONF_SWAPSIZE 变量的值，然后运行以下命令重启 dphys-swapfile。 

    /etc/init.d/dphys-swapfile restart

日志记录和问题排查

根据您的组设置，事件和错误日志会写入到 CloudWatch Logs 和/或本地文件系统。此连接器中的日志使用前缀 LocalInferenceServiceName。如果连接器出现异常行为，请检查连接器日志。其中经常包含有用的调试信息，例如缺失 ML 库依赖项或连接器启动故障的原因。

如果将 AWS IoT Greengrass 组配置为写入本地日志，则连接器会将日志文件写入 greengrass-root/ggc/var/log/user/区域/aws/。 有关使用 Greengrass 日志记录的更多信息，请参阅利用 AWS IoT Greengrass 日志进行监控。

可以使用以下信息帮助解决ML 映像分类连接器代理问题。

所需系统库

以下选项卡列出了每个ML 映像分类连接器所需的系统库。

ML 映像分类 Aarch64 JTX2
库 最低版本
ld-linux-aarch64.so.1 GLIBC_2.17
libc.so.6 GLIBC_2.17
libcublas.so.9.0 不适用
libcudart.so.9.0 不适用
libcudnn.so.7 不适用
libcufft.so.9.0 不适用
libcurand.so.9.0 不适用
libcusolver.so.9.0 不适用
libgcc_s.so.1 GCC_4.2.0
libgomp.so.1 GOMP_4.0，OMP_1.0
libm.so.6 GLIBC_2.23
libpthread.so.0 GLIBC_2.17
librt.so.1 GLIBC_2.17
libstdc++.so.6 GLIBCXX_3.4.21，CXXABI_1.3.8
ML 映像分类 x86_64
库 最低版本
ld-linux-x86-64.so.2 GCC_4.0.0
libc.so.6 GLIBC_2.4
libgfortran.so.3 GFORTRAN_1.0
libm.so.6 GLIBC_2.23
libpthread.so.0 GLIBC_2.2.5
librt.so.1 GLIBC_2.2.5
libstdc++.so.6 CXXABI_1.3.8，GLIBCXX_3.4.21
ML 映像分类 Armv7
库 最低版本
ld-linux-armhf.so.3 GLIBC_2.4
libc.so.6 GLIBC_2.7
libgcc_s.so.1 GCC_4.0.0
libgfortran.so.3 GFORTRAN_1.0
libm.so.6 GLIBC_2.4
libpthread.so.0 GLIBC_2.4
librt.so.1 GLIBC_2.4
libstdc++.so.6 CXXABI_1.3.8，CXXABI_ARM_1.3.3，GLIBCXX_3.4.20

问题

症状 解决方案

在 Raspberry Pi 上，记录了以下错误消息，并且您没有使用摄像机：Failed to initialize libdc1394

运行以下命令以显示驱动程序：

sudo ln /dev/null /dev/raw1394

此操作是临时的，符号链接将在重启后消失。请参阅您的 OS 分发手册以了解如何在重启时自动创建链接。

许可证

ML 映像分类连接器包含以下第三方软件/许可：

Intel OpenMP 运行时库许可。Intel® OpenMP* 运行时经过双重许可，具有商业 (COM) 许可证（作为 Intel® Parallel Studio XE Suite 产品的一部分）和 BSD 开源 (OSS) 许可证。有关更多信息，请参阅 Intel® OpenMP* 运行时库文档中的许可。

此连接器按照 Greengrass 核心软件许可协议发布。

Changelog

下表描述了连接器每个版本中所做的更改。

版本

更改

2

添加了 MLFeedbackConnectorConfigId 参数，以支持使用 ML 反馈 连接器上传模型输入数据，将预测发布到 MQTT 主题以及将指标发布到 Amazon CloudWatch。

1

首次发布。

Greengrass 组一次只能包含一个版本的连接器。有关升级连接器版本的信息，请参阅升级连接器版本。

另请参阅