目录
1.mxnet推理API
python
# 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(symbol=sym, context=mx.cpu(), label_names=None)
# 绑定模型参数和输入数据的形状
mod.bind(for_training=False, 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
python
import numpy as np
import mxnet as mx
from mxnet.contrib import onnx as onnx_mxnet
sym = "resnext50_32x4d-symbol.json"
params = "resnext50_32x4d-0000.params"
input_shape = (1 ,3 ,224 ,224)
onnx_file = './resnext50.onnx'
converted_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
python
# 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(symbol=sym, context=mx.cpu(), label_names=None)
# 绑定模型参数和输入数据的形状
mod.bind(for_training=False, 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')