wish跨境电商平台,长沙seo运营,温州网站建设方案外包,市场营销公司排名目录
1.mxnet推理API
2.MXNET模型转ONNX
3.运行示例 1.mxnet推理API
# 导入 MXNet 深度学习框架
import mxnet as mx if __name__ __main__:# 指定预训练模型的 JSON 文件json_file resnext50_32x4d # 指定模型的参数文件params_file resnext50_32x4d-0000.params # 使…目录
1.mxnet推理API
2.MXNET模型转ONNX
3.运行示例 1.mxnet推理API
# 导入 MXNet 深度学习框架
import mxnet as mx if __name__ __main__:# 指定预训练模型的 JSON 文件json_file resnext50_32x4d # 指定模型的参数文件params_file resnext50_32x4d-0000.params # 使用 MXNet 加载模型的架构和参数sym, arg_params, aux_params mx.model.load_checkpoint(json_file, 0) # 创建一个模型对象mod mx.mod.Module(symbolsym, contextmx.cpu(), label_namesNone) # 绑定模型参数和输入数据的形状mod.bind(for_trainingFalse, data_shapes[(data, (1, 3, 224, 224))]) # 设置模型的参数mod.set_params(arg_params, aux_params)# 将输入数据转换为 MXNet 的 NDArray 格式data mx.nd.array(img) # 使用模型进行推理获取输出并转换为 NumPy 数组output mod.predict(data).asnumpy() 2.MXNET模型转ONNX
import numpy as np
import mxnet as mx
from mxnet.contrib import onnx as onnx_mxnetsym resnext50_32x4d-symbol.json
params resnext50_32x4d-0000.params
input_shape (1 ,3 ,224 ,224)
onnx_file ./resnext50.onnxconverted_model_path onnx_mxnet.export_model(sym, params, [input_shape], np.float32, onnx_file)
# onnx 1.14.0
# numpy 1.23.2
3.运行示例
具体代码和模型见百度网盘 https://pan.baidu.com/s/1iQELVg7xNjiIlSZZp47xag 提取码: 24ei
# 导入 NumPy 库并将其别名命名为 np
import numpy as np
# 导入 OpenCV 库
import cv2 # 导入 MXNet 深度学习框架
import mxnet as mx
# 导入时间库用于计时
import time # 定义一个函数 show_top5用于显示前5个类别及其概率
def show_top5(outputs):# 使用 softmax 函数对输出进行概率归一化output softmax(outputs[0]) # 对概率从高到低排序获取排序后的索引reverse_sort_index np.argsort(output)[::-1] # 打印标识表示接下来是前5个类别print(-----TOP 5-----) # 循环遍历前5个类别for i in range(5): # 打印类别索引和对应的概率 print(reverse_sort_index[i], :, output[reverse_sort_index[i]]) # 定义 softmax 函数用于计算 softmax 概率
def softmax(x):return np.exp(x) / sum(np.exp(x))if __name__ __main__:# 从文件中加载图像img cv2.imread(./space_shuttle_224.jpg) # 对图像进行预处理将其从 BGR 格式转换为 RGB 格式并调整数据类型为 float32# 然后进行维度转置和形状重塑以匹配模型的输入格式 img cv2.cvtColor(img, cv2.COLOR_BGR2RGB).astype(float32).transpose(2, 0, 1).reshape(1, 3, 224, 224)# 指定预训练模型的 JSON 文件json_file resnext50_32x4d # 指定模型的参数文件params_file resnext50_32x4d-0000.params # 记录开始时间t1 time.time() # 使用 MXNet 加载模型的架构和参数sym, arg_params, aux_params mx.model.load_checkpoint(json_file, 0)# 创建一个模型对象 mod mx.mod.Module(symbolsym, contextmx.cpu(), label_namesNone) # 绑定模型参数和输入数据的形状mod.bind(for_trainingFalse, data_shapes[(data, (1, 3, 224, 224))]) # 设置模型的参数 mod.set_params(arg_params, aux_params)# 将输入数据转换为 MXNet 的 NDArray 格式data mx.nd.array(img) # 使用模型进行推理获取输出并转换为 NumPy 数组output mod.predict(data).asnumpy() # 记录结束时间t2 time.time()# 打印推理所需的时间 print(inf_time:, t2 - t1) # 调用显示前5个类别及其概率的函数 show_top5(output) # 打印 done 表示脚本执行完成 print(done)
