So konfigurieren Sie die Inferenz für maschinelles Lernen mit dem AWS-Managementkonsole

Installieren von Updates für Raspbian.

sudo apt-get update
sudo apt-get dist-upgrade

Installieren Sie die picamera-Schnittstelle für das Kameramodul und andere Python-Bibliotheken, die für dieses Tutorial erforderlich sind.

sudo apt-get install -y python3-dev python3-setuptools python3-pip python3-picamera

Überprüfen Sie die Installation:

Starten Sie den Raspberry Pi neu.

sudo reboot

Öffnen Sie das Raspberry Pi-Konfigurations-Tool.

sudo raspi-config

Verwenden Sie die Pfeiltasten zum Öffnen von Interfacing Options (Verbindungsoptionen) und aktivieren Sie die Kameraschnittstelle. Wenn Sie dazu aufgefordert werden, lassen Sie den Neustart des Geräts zu.

Geben Sie den folgenden Befehl ein, um die Einrichtung der Kamera zu testen.

raspistill -v -o test.jpg

So werden ein Vorschaufenster im Raspberry Pi geöffnet, ein Bild mit dem Namen test.jpg in Ihrem aktuellen Verzeichnis gespeichert und Informationen über die Kamera im Raspberry Pi-Terminal angezeigt.

Melden Sie sich per Fernzugriff bei Ihrem Raspberry Pi an.

ssh pi@your-device-ip-address

Öffnen Sie die MXNet-Dokumentation, öffnen Sie Installing MXNet und folgen Sie den Anweisungen zur Installation von MXNet auf dem Gerät.

Überprüfen Sie nach der Installation von MXNet die folgende Konfiguration:

Laden Sie auf Ihrem Computer das MXNet-Beispiel für Raspberry Pi von Beispiele für Machine Learning herunter.

Entpacken Sie die heruntergeladene mxnet-py3-armv7l.tar.gz-Datei.

Navigieren Sie zum squeezenet Verzeichnis .

cd path-to-downloaded-sample/mxnet-py3-armv7l/models/squeezenet

Die squeezenet.zip-Datei in diesem Verzeichnis ist Ihr Modellpaket. Es enthält SqueezeNet Open-Source-Modellartefakte für ein Bildklassifizierungsmodell. Später laden Sie dieses Modellpaket auf Amazon S3 hoch.

Navigieren Sie auf Ihrem Computer zum examples-Verzeichnis im Beispielpaket, das Sie in Schritt 3: Erstellen eines MXNet-Modellpakets entpackt haben.

cd path-to-downloaded-sample/mxnet-py3-armv7l/examples

Das examples-Verzeichnis enthält Funktionscode und Abhängigkeiten.

Komprimieren Sie den Inhalt des examples-Verzeichnisses in eine Datei namens greengrassObjectClassification.zip. Dies ist Ihr Bereitstellungspaket.

zip -r greengrassObjectClassification.zip .

Erstellen Sie als Nächstes die Lambda-Funktion.

Wählen Sie in der AWS IoT Konsole Funktionen und Funktion erstellen aus.

Wählen Sie „Von Grund auf neu erstellen“ und verwenden Sie die folgenden Werte, um Ihre Funktion zu erstellen:

Behalten Sie für Berechtigungen die Standardeinstellung bei. Dadurch wird eine Ausführungsrolle erstellt, die grundlegende Lambda-Berechtigungen gewährt. Diese Rolle wird nicht verwendet von AWS IoT Greengrass.

Wählen Sie Funktion erstellen.

Laden Sie jetzt Ihr Lambda-Funktionsbereitstellungspaket hoch und registrieren Sie den Handler.

Wählen Sie Ihre Lambda-Funktion und laden Sie Ihr Lambda-Funktionsbereitstellungspaket hoch.

1. Wählen Sie auf der Registerkarte Code unter Codequelle die Option Hochladen von aus. Wählen Sie in der Dropdownliste die Option „.zip-Datei“ aus.

   

2. Wählen Sie Hochladen und dann Ihr greengrassObjectClassification.zip Bereitstellungspaket aus. Wählen Sie dann Save (Speichern) aus.

3. Wählen Sie auf der Registerkarte Code für die Funktion unter Laufzeiteinstellungen die Option Bearbeiten aus , und geben Sie dann die folgenden Werte ein.

   • Wählen Sie für Runtime (Laufzeit) die Option Python 3.7 aus.

   • Geben Sie unter Handler greengrassObjectClassification.function_handler ein.

   Wählen Sie Speichern.

Veröffentlichen Sie als Nächstes die erste Version Ihrer Lambda-Funktion. Anschließend erstellen Sie einen Alias für die Version.

Wählen Sie im Menü Actions die Option Publish new version aus.

Geben Sie unter Version description (Versionsbeschreibung) den Wert First version ein und wählen Sie dann Publish (Veröffentlichen) aus.

Wählen Sie auf der Konfigurationsseite von GreengrassObjectClassification: 1 im Menü Aktionen die Option Alias erstellen aus.

Geben Sie auf der Seite Create a new alias folgende Werte an:

Wählen Sie Speichern.

Fügen Sie nun die Lambda-Funktion zu Ihrer Greengrass-Gruppe hinzu.

Erweitern Sie im Navigationsbereich der AWS IoT Konsole unter Verwalten die Option Greengrass-Geräte und wählen Sie dann Gruppen (V1) aus.

Wählen Sie auf der Gruppenkonfigurationsseite die Registerkarte Lambda-Funktionen.

Wählen Sie im Abschnitt Meine Lambda-Funktionen die Option Hinzufügen aus.

Wählen Sie für die Lambda-Funktion Greengrass aus. ObjectClassification

Wählen Sie für die Version der Lambda-Funktion. Alias:mlTest

Als Nächstes konfigurieren Sie die Lebenszyklus- und Umgebungsvariablen der Lambda-Funktion.

Nehmen Sie im Abschnitt zur Konfiguration der Lambda-Funktion die folgenden Aktualisierungen vor.

1. Um ohne Containerisierung zu laufen:

   • Wählen Sie für Systembenutzer und -gruppe. Another user ID/group ID Geben Sie für Systembenutzer-ID den Wert ein0. Geben Sie für Systemgruppen-ID den Wert ein0.

     Dadurch kann Ihre Lambda-Funktion als Root ausgeführt werden. Weitere Hinweise zur Ausführung als Root finden Sie unterEinstellung der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe.

     Tipp

     Sie müssen auch Ihre config.json Datei aktualisieren, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Das Verfahren finden Sie unterEine Lambda-Funktion als Root ausführen.

   • Wählen Sie für die Containerisierung der Lambda-Funktion die Option Kein Container aus.

     Weitere Hinweise zur Ausführung ohne Containerisierung finden Sie unter. Überlegungen bei der Wahl der Containerisierung von Lambda-Funktionen

   • Geben Sie in Timeout (Zeitüberschreitung) 10 seconds ein.

   • Wählen Sie für Pinned die Option True aus.

     Weitere Informationen finden Sie unter Lebenszykluskonfiguration für Greengrass Lambda-Funktionen.

2. Um stattdessen im containerisierten Modus zu arbeiten:

   Anmerkung

   Wir empfehlen nicht, im containerisierten Modus zu arbeiten, es sei denn, Ihr Geschäftsfall erfordert dies.

   • Wählen Sie für Systembenutzer und Gruppe die Option Gruppenstandard verwenden aus.

   • Wählen Sie für die Containerisierung von Lambda-Funktionen die Option Gruppenstandard verwenden aus.

   • Geben Sie in Memory Limit (Speicherlimit) 96 MB ein.

   • Geben Sie in Timeout (Zeitüberschreitung) 10 seconds ein.

   • Wählen Sie für Pinned die Option True aus.

     Weitere Informationen finden Sie unter Lebenszykluskonfiguration für Greengrass Lambda-Funktionen.

Erstellen Sie in Environment variables (Umgebungsvariablen) ein Schlüssel-Wert-Paar. Ein Schlüssel-Wert-Paar ist für Funktionen erforderlich, die mit MXNet-Modellen auf einem Raspberry PI interagieren.

Verwenden Sie als Schlüssel MXNET_ENGINE_TYPE. Verwenden NaiveEngine Sie für den Wert.

Behalten Sie die Standardwerte für alle anderen Eigenschaften bei und wählen Sie Lambda-Funktion hinzufügen.

Wählen Sie auf der Seite mit der Gruppenkonfiguration die Registerkarte Ressourcen aus.

Wählen Sie im Abschnitt Lokale Ressourcen die Option Lokale Ressource hinzufügen aus.

Verwenden Sie auf der Seite Lokale Ressource hinzufügen die folgenden Werte:

Als nächstes fügen Sie eine lokale Geräteressource für die Kameraschnittstelle hinzu.

Wählen Sie Lokale Ressource hinzufügen.

Verwenden Sie auf der Seite Lokale Ressource hinzufügen die folgenden Werte:

Wählen Sie unten auf der Seite Ressource hinzufügen aus.

Wählen Sie auf der Registerkarte Ressourcen für Ihre Gruppe im Abschnitt Maschinelles Lernen die Option Ressource für maschinelles Lernen hinzufügen aus.

Geben Sie auf der Seite Eine Ressource für maschinelles Lernen hinzufügen als Ressourcenname einsqueezenet_model.

Wählen Sie als Modellquelle die Option Ein in S3 gespeichertes Modell verwenden aus, z. B. ein mit dem Deep Learning Compiler optimiertes Modell.

Geben Sie für S3-URI einen Pfad ein, in dem der S3-Bucket gespeichert ist.

Wählen Sie S3 durchsuchen. Dadurch wird eine neue Registerkarte zur Amazon S3-Konsole geöffnet.

Laden Sie die squeezenet.zip Datei auf der Registerkarte der Amazon S3-Konsole in einen S3-Bucket hoch. Weitere Informationen finden Sie unter Wie lade ich Dateien und Ordner in einen S3-Bucket hoch? im Amazon Simple Storage Service-Benutzerhandbuch.

Suchen Sie auf der Registerkarte „ AWS IoT Greengrass Konsole“ Ihren S3-Bucket und wählen Sie ihn aus. Suchen Sie Ihre hochgeladene Datei squeezenet.zip und wählen Sie Select (Auswählen). Möglicherweise müssen Sie die Refresh (Aktualisieren) wählen, um die Liste der verfügbaren Buckets und Dateien zu aktualisieren.

Geben Sie für Destination path (Zielpfad) /greengrass-machine-learning/mxnet/squeezenet ein.

Dies ist das Ziel für das lokale Modell im Lambda-Laufzeit-Namespace. Wenn Sie die Gruppe bereitstellen, AWS IoT Greengrass ruft das Quellmodellpaket ab und extrahiert dann den Inhalt in das angegebene Verzeichnis. Die Lambda-Beispielfunktion für dieses Tutorial ist bereits so konfiguriert, dass sie diesen Pfad (in der model_path Variablen) verwendet.

Wählen Sie unter Systemgruppenbesitzer und Dateizugriffsberechtigungen die Option Keine Systemgruppe aus.

Wählen Sie Add resource (Ressource hinzufügen) aus.

Wählen Sie auf der Gruppenkonfigurationsseite die Registerkarte Abonnements und dann Abonnement hinzufügen aus.

Konfigurieren Sie auf der Seite mit den Abonnementdetails Quelle und Ziel wie folgt:

1. Wählen Sie unter Quelltyp die Lambda-Funktion und dann ObjectClassification Greengrass aus.

2. Wählen Sie unter Zieltyp die Option Service und dann IoT Cloud aus.

Geben Sie im Themenfilter Folgendes einhello/world, und wählen Sie dann Abonnement erstellen aus.

Stellen Sie sicher, dass der AWS IoT Greengrass Core läuft. Führen Sie im Raspberry Pi-Terminal die folgenden Befehle aus, falls nötig.

1. So prüfen Sie, ob der Daemon ausgeführt wird:

   ps aux | grep -E 'greengrass.*daemon'

   Wenn die Ausgabe einen root-Eintrag für /greengrass/ggc/packages/1.11.6/bin/daemon enthält, dann wird der Daemon ausgeführt.

   Anmerkung

   Die Version im Pfad hängt von der AWS IoT Greengrass Core-Softwareversion ab, die auf Ihrem Core-Gerät installiert ist.

2. Um den Daemon zu starten:

   cd /greengrass/ggc/core/
   sudo ./greengrassd start

Wählen Sie auf der Seite mit der Gruppenkonfiguration die Option Deploy aus.

Wählen Sie auf der Registerkarte Lambda-Funktionen im Abschnitt System Lambda-Funktionen die Option IP Detector aus und klicken Sie auf Bearbeiten.

Wählen Sie im Dialogfeld IP-Detektoreinstellungen bearbeiten die Option MQTT-Broker-Endpunkte automatisch erkennen und überschreiben aus.

Wählen Sie Speichern.

Damit können Geräte automatisch Core-Verbindungsinformationen abrufen, z. B. die IP-Adresse, DNS und die Portnummer. Die automatische Erkennung wird empfohlen, unterstützt aber AWS IoT Greengrass auch manuell angegebene Endpunkte. Sie werden nur bei der ersten Bereitstellung der Gruppe zur Angabe der Ermittlungsmethode aufgefordert.

Auf der Seite Deployments werden der Zeitstempel, die Versions-ID und der Status der Bereitstellung angegeben. Wenn der Vorgang abgeschlossen ist, sollte der für die Bereitstellung angezeigte Status „Abgeschlossen“ lauten.

Weitere Informationen über Bereitstellungen finden Sie unter Bereitstellen AWS IoT Greengrass Gruppen zu einem AWS IoT Greengrass core. Hilfe zur Problembehebung finden Sie unter Fehlerbehebung AWS IoT Greengrass.

Wählen Sie in der AWS IoT Konsole unter Test die Option MQTT-Testclient aus.

Verwenden Sie für Subscriptions (Abonnements) die folgenden Werte:

Wählen Sie Subscribe (Abonnieren) aus.

Wenn der Test erfolgreich ist, werden die Meldungen der Lambda-Funktion unten auf der Seite angezeigt. Jede Nachricht enthält die ersten fünf der gesamten Prognoseergebnisse des Abbildes im Format: Wahrscheinlichkeit, prognostizierte Klassen-ID und zugehöriger Klassenname.

Wechseln Sie zum Root-Benutzer und navigieren Sie zum Verzeichnis log. Für den Zugriff auf AWS IoT Greengrass Protokolle sind Root-Rechte erforderlich.

sudo su
cd /greengrass/ggc/var/log

Überprüfen Sie im system-Verzeichnis runtime.log oder python_runtime.log.

Überprüfen Sie im user/region/account-id-Verzeichnis greengrassObjectClassification.log.

Weitere Informationen finden Sie unter Fehlerbehebung mit Protokollen.

Listet den Inhalt des bereitgestellten Lambda im Verzeichnis auf/lambda. Ersetzen Sie die Platzhalterwerte, bevor Sie den Befehl ausführen.

cd /greengrass/ggc/deployment/lambda/arn:aws:lambda:region:account:function:function-name:function-version
ls -la

Überprüfen Sie, ob das Verzeichnis denselben Inhalt wie das greengrassObjectClassification.zip-Bereitstellungspaket enthält, das Sie in Schritt 4: Erstellen und veröffentlichen Sie eine Lambda-Funktion hochgeladen haben.

Stellen Sie sicher, dass sich die .py-Dateien und -Abhängigkeiten im Stammverzeichnis befinden.

Suchen Sie die Prozess-Identifikationsnummer (PID) des Lambda-Laufzeitprozesses:

ps aux | grep 'lambda-function-name*'

In der Ausgabe erscheint die PID in der zweiten Spalte der Zeile für den Lambda-Laufzeitprozess.

Geben Sie den Lambda-Laufzeit-Namespace ein. Stellen Sie sicher, dass Sie den pid Platzhalterwert ersetzen, bevor Sie den Befehl ausführen.

sudo nsenter -t pid -m /bin/bash

Listen Sie den Inhalt des lokalen Verzeichnisses, das Sie für die ML-Ressource angegeben haben, auf.

cd /greengrass-machine-learning/mxnet/squeezenet/
ls -ls

Die Dateien sollten folgendermaßen aussehen:

32 -rw-r--r-- 1 ggc_user ggc_group   31675 Nov 18 15:19 synset.txt
32 -rw-r--r-- 1 ggc_user ggc_group   28707 Nov 18 15:19 squeezenet_v1.1-symbol.json
4832 -rw-r--r-- 1 ggc_user ggc_group 4945062 Nov 18 15:19 squeezenet_v1.1-0000.params

Laden Sie statische PNG- oder JPG-Bilder für die Lambda-Funktion herunter, um sie für die Bildklassifizierung zu verwenden. Das Beispiel funktioniert am besten mit kleinen Bilddateien.

Speichern Sie Ihre Bilddateien in dem Verzeichnis mit der greengrassObjectClassification.py-Datei (oder in einem Unterverzeichnis dieses Verzeichnisses). Dies ist im Lambda-Funktionsbereitstellungspaket enthalten, in das Sie hochladen. Schritt 4: Erstellen und veröffentlichen Sie eine Lambda-Funktion

Wenn Sie Python 3.7 nicht verwenden, stellen Sie sicher, dass Sie einen Symlink von Python 3.x zu Python 3.7 erstellen. Dadurch wird Ihr Gerät für die Verwendung von Python 3 konfiguriert. AWS IoT Greengrass Führen Sie den folgenden Befehl aus, um Ihre Python-Installation zu suchen:

which python3

Führen Sie den folgenden Befehl aus, um den Symlink zu erstellen.

sudo ln -s path-to-python-3.x/python3.x path-to-python-3.7/python3.7

Starten Sie das Gerät neu.

Bearbeiten Sie die Konfiguration der Lambda-Funktion. Folgen Sie dem Verfahren unter Schritt 5: Fügen Sie die Lambda-Funktion zur Greengrass-Gruppe hinzu.

1. Um ohne Containerisierung zu laufen:

   • Wählen Sie für Systembenutzer und -gruppe. Another user ID/group ID Geben Sie für Systembenutzer-ID den Wert ein0. Geben Sie für Systemgruppen-ID den Wert ein0.

     Dadurch kann Ihre Lambda-Funktion als Root ausgeführt werden. Weitere Hinweise zur Ausführung als Root finden Sie unterEinstellung der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe.

     Tipp

     Sie müssen auch Ihre config.json Datei aktualisieren, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Das Verfahren finden Sie unterEine Lambda-Funktion als Root ausführen.

   • Wählen Sie für die Containerisierung der Lambda-Funktion die Option Kein Container aus.

     Weitere Hinweise zur Ausführung ohne Containerisierung finden Sie unter. Überlegungen bei der Wahl der Containerisierung von Lambda-Funktionen

   • Aktualisieren Sie den Wert für Timeout auf 5 Sekunden. Dies stellt sicher, dass die Zeit für die Anforderung nicht zu schnell überschritten wird. Nach der Einrichtung dauert es einige Minuten, bis die Inferenz ausgeführt wird.

   • Wählen Sie unter Fixiert die Option True aus.

   • Wählen Sie unter Zusätzliche Parameter für Lesezugriff auf das Verzeichnis /sys die Option Aktiviert aus.

   • Wählen Sie für Lambda-Lebenszyklus die Option Diese Funktion langlebig einstellen und unbegrenzt ausführen aus.

2. Um stattdessen im containerisierten Modus zu arbeiten:

   Anmerkung

   Wir empfehlen nicht, im containerisierten Modus zu arbeiten, es sei denn, Ihr Geschäftsfall erfordert dies.

   • Aktualisieren Sie den Wert für Timeout auf 5 Sekunden. Dies stellt sicher, dass die Zeit für die Anforderung nicht zu schnell überschritten wird. Nach der Einrichtung dauert es einige Minuten, bis die Inferenz ausgeführt wird.

   • Wählen Sie für Pinned die Option True aus.

   • Wählen Sie unter Zusätzliche Parameter für Lesezugriff auf das Verzeichnis /sys die Option Aktiviert aus.

Wenn Sie im containerisierten Modus arbeiten, fügen Sie die erforderliche lokale Geräteressource hinzu, um Zugriff auf die GPU Ihres Geräts zu gewähren.

1. Wählen Sie auf der Seite mit der Gruppenkonfiguration die Registerkarte Ressourcen aus.

2. Wählen Sie Lokale Ressource hinzufügen aus.

3. Definieren Sie die Ressource:

   • Geben Sie für Resource name (Ressourcenname) renderD128 ein.

   • Wählen Sie als Ressourcentyp die Option Lokales Gerät aus.

   • Geben Sie im Feld Device path (Gerätepfad) /dev/dri/renderD128 ein.

   • Wählen Sie für Systemgruppenbesitzer und Dateizugriffsberechtigungen die Option Dateisystemberechtigungen der Systemgruppe, der die Ressource gehört, automatisch hinzufügen aus.

   • Gewähren Sie Ihrer Lambda-Funktion Lese- und Schreibzugriff für Ihre Lambda-Funktion, wenn Sie einer Lambda-Funktion angehören.

Stellen Sie sicher, dass Ihr Jetson-Gerät so konfiguriert ist, dass Sie die Core-Software installieren können. AWS IoT Greengrass Weitere Informationen zur Konfiguration des Geräts finden Sie unter Einrichten anderer Geräte.

Öffnen Sie die MXNet-Dokumentation, gehen Sie zu Installing MXNet on a Jetson und folgen Sie den Anweisungen zur Installation von MXNet auf dem Jetson-Gerät.

Laden Sie statische PNG- oder JPG-Bilder für die Lambda-Funktion herunter, um sie für die Bildklassifizierung zu verwenden. Die App funktioniert am besten mit kleinen Bilddateien. Alternativ können Sie eine Kamera auf der Jetson-Karte instrumentieren, um die Quellbilder zu erfassen.

Speichern Sie Ihre Abbilddateien in dem Verzeichnis, das die greengrassObjectClassification.py-Datei enthält. Sie können sie auch in einem Unterverzeichnis dieses Verzeichnisses speichern. Dieses Verzeichnis befindet sich im Lambda-Funktionsbereitstellungspaket, in das Sie hochladen. Schritt 4: Erstellen und veröffentlichen Sie eine Lambda-Funktion

Erstellen Sie einen Symlink von Python 3.7 zu Python 3.6, um Python 3 mit zu verwenden. AWS IoT Greengrass Führen Sie den folgenden Befehl aus, um Ihre Python-Installation zu suchen:

which python3

Führen Sie den folgenden Befehl aus, um den Symlink zu erstellen.

sudo ln -s path-to-python-3.6/python3.6 path-to-python-3.7/python3.7

Starten Sie das Gerät neu.

Stellen Sie sicher, dass das ggc_user-Systemkonto das MXNet-Framework verwenden kann:

“sudo -u ggc_user bash -c 'python3 -c "import mxnet"'

Bearbeiten Sie die Konfiguration der Lambda-Funktion. Folgen Sie dem Verfahren unter Schritt 5: Fügen Sie die Lambda-Funktion zur Greengrass-Gruppe hinzu.

1. Um ohne Containerisierung zu laufen:

   • Wählen Sie für Systembenutzer und -gruppe. Another user ID/group ID Geben Sie für Systembenutzer-ID den Wert ein0. Geben Sie für Systemgruppen-ID den Wert ein0.

     Dadurch kann Ihre Lambda-Funktion als Root ausgeführt werden. Weitere Hinweise zur Ausführung als Root finden Sie unterEinstellung der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe.

     Tipp

     Sie müssen auch Ihre config.json Datei aktualisieren, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Das Verfahren finden Sie unterEine Lambda-Funktion als Root ausführen.

   • Wählen Sie für die Containerisierung der Lambda-Funktion die Option Kein Container aus.

     Weitere Hinweise zur Ausführung ohne Containerisierung finden Sie unter. Überlegungen bei der Wahl der Containerisierung von Lambda-Funktionen

   • Wählen Sie unter Zusätzliche Parameter für Lesezugriff auf das Verzeichnis /sys die Option Aktiviert aus.

   • Fügen Sie Ihrer Lambda-Funktion unter Umgebungsvariablen die folgenden Schlüssel-Wert-Paare hinzu. Dadurch wird die Verwendung des AWS IoT Greengrass MXNet-Frameworks konfiguriert.

     Key (Schlüssel)	Value (Wert)
     PATH	/usr/local/cuda/bin: $PATH
     MXNET_HOME	$HOME/mxnet/
     PYTHONPATH	$MXNET_HOME/python: $ PYTHONPFAD
     CUDA_HOME	usr/local//cuda
     LD_LIBRARY_PATH	$LD_LIBRARY_PATH:${CUDA_HOME}/lib64

2. Um stattdessen im containerisierten Modus zu laufen:

   Anmerkung

   Wir empfehlen nicht, im containerisierten Modus zu arbeiten, es sei denn, Ihr Geschäftsfall erfordert dies.

   • Erhöhen Sie den Wert für Speicherlimit. Verwenden Sie 500 MB für die CPU oder mindestens 2000 MB für die GPU.

   • Wählen Sie unter Zusätzliche Parameter für Lesezugriff auf das Verzeichnis /sys die Option Aktiviert aus.

   • Fügen Sie Ihrer Lambda-Funktion unter Umgebungsvariablen die folgenden Schlüssel-Wert-Paare hinzu. Dadurch wird die Verwendung des AWS IoT Greengrass MXNet-Frameworks konfiguriert.

     Key (Schlüssel)	Value (Wert)
     PATH	/usr/local/cuda/bin: $PATH
     MXNET_HOME	$HOME/mxnet/
     PYTHONPATH	$MXNET_HOME/python: $ PYTHONPFAD
     CUDA_HOME	usr/local//cuda
     LD_LIBRARY_PATH	$LD_LIBRARY_PATH:${CUDA_HOME}/lib64

Wenn Sie im containerisierten Modus arbeiten, fügen Sie die folgenden lokalen Geräteressourcen hinzu, um Zugriff auf die GPU Ihres Geräts zu gewähren. Folgen Sie dem Verfahren unter Schritt 6: Hinzufügen von Ressourcen zur Greengrass-Gruppe.

Für jede Ressource:

Wenn Sie im containerisierten Modus arbeiten, fügen Sie die folgende lokale Volume-Ressource hinzu, um Zugriff auf die Kamera Ihres Geräts zu gewähren. Folgen Sie dem Verfahren unter Schritt 6: Hinzufügen von Ressourcen zur Greengrass-Gruppe.