Mxnet框架使用

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(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

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 

# 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')