安装 ML 框架依赖项安装 MXNet 依赖项安装 TensorFlow 依赖关系安装 DLR 依赖项编译 DLR 模型

可选：配置设备进行 ML 资格认证

IDT for AWS IoT Greengrass 提供机器学习 (ML) 资格测试，以验证您的设备是否可以使用云训练模型在本地执行 ML 推理。

要运行 ML 资格认证测试，必须先按照配置设备以运行 IDT 测试中的说明配置设备。然后，按照本主题中的步骤安装要运行的 ML 框架的依赖项。

需要有 IDT v3.1.0 或更高版本才能运行 ML 资格认证测试。

安装 ML 框架依赖项

所有 ML 框架依赖项都必须安装在 /usr/local/lib/python3.x/site-packages 目录下。为确保将这些依赖项安装在正确的目录下，建议您在安装时使用 sudo root 权限。资格认证测试不支持虚拟环境。

注意

如果您正在测试使用容器化运行的 Lambda 函数（在 Greengrass 容器模式下），则不支持为 /usr/local/lib/python3.x 下的 Python 库创建符号链接。为避免错误，必须在正确的目录下安装依赖项。

按照以下步骤安装目标框架的依赖项：

安装 MXNet 依赖项
安装 TensorFlow 依赖关系
安装 DLR 依赖项

安装 Apache MXNet 依赖项

此框架的 IDT 资格认证测试具有以下依赖项：

Python 3.6 或 Python 3.7。
注意
如果您使用的是 Python 3.6，则必须创建从 Python 3.7 二进制文件到 Python 3.6 二进制文件的符号链接。这会将设备配置为满足 AWS IoT Greengrass的 Python 要求。例如：
```
sudo ln -s path-to-python-3.6/python3.6 path-to-python-3.7/python3.7
```
Apache MXNet v1.2.1 或更高版本。
NumPy。该版本必须与您的 MXNet 版本兼容。

正在安装 MXNet

按照 MXNet 文档中的说明安装 MXNet。

注意

如果设备上同时安装了 Python 2.x 和 Python 3.x，请在运行来安装依赖项的命令中使用 Python 3.x。

验证 MXNet 安装

选择以下一种方式来验证 MXNet 安装。

方式 1：通过 SSH 接入设备并运行脚本

通过 SSH 接入设备。
运行以下脚本，验证是否正确安装了依赖项。
```
sudo python3.7 -c "import mxnet; print(mxnet.__version__)"
```
```
sudo python3.7 -c "import numpy; print(numpy.__version__)"
```
结果将输出版本号，而脚本应该顺利退出。

方式 2：运行 IDT 依赖项测试

确保已配置 device.json 用于执行 ML 资格认证。有关更多信息，请参阅为 ML 资格认证配置 device.json。

运行框架的依赖项测试。


devicetester_[linux | mac | win_x86-64] run-suite --group-id mldependencies --test-id mxnet_dependency_check

测试摘要会为 mldependencies 显示 PASSED 结果。

安装 TensorFlow 依赖关系

此框架的 IDT 资格认证测试具有以下依赖项：

Python 3.6 或 Python 3.7。
注意
如果您使用的是 Python 3.6，则必须创建从 Python 3.7 二进制文件到 Python 3.6 二进制文件的符号链接。这会将设备配置为满足 AWS IoT Greengrass的 Python 要求。例如：
```
sudo ln -s path-to-python-3.6/python3.6 path-to-python-3.7/python3.7
```
TensorFlow 1.x。

正在安装 TensorFlow

按照 TensorFlow 文档中的说明使用 pip 或从源代码安装 TensorFlow 1.x。

注意

如果设备上同时安装了 Python 2.x 和 Python 3.x，请在运行来安装依赖项的命令中使用 Python 3.x。

验证安装 TensorFlow

选择以下选项之一来验证 TensorFlow 安装。

方式 1：通过 SSH 接入设备并运行脚本

通过 SSH 接入设备。
运行以下脚本，验证是否正确安装了依赖项。
```
sudo python3.7 -c "import tensorflow; print(tensorflow.__version__)"
```
结果将输出版本号，而脚本应该顺利退出。

方式 2：运行 IDT 依赖项测试

确保已配置 device.json 用于执行 ML 资格认证。有关更多信息，请参阅为 ML 资格认证配置 device.json。

运行框架的依赖项测试。


devicetester_[linux | mac | win_x86-64] run-suite --group-id mldependencies --test-id tensorflow_dependency_check

测试摘要会为 mldependencies 显示 PASSED 结果。

安装亚马逊 SageMaker AI Neo 深度学习运行时 (DLR) 依赖项

此框架的 IDT 资格认证测试具有以下依赖项：

Python 3.6 或 Python 3.7。
注意
如果您使用的是 Python 3.6，则必须创建从 Python 3.7 二进制文件到 Python 3.6 二进制文件的符号链接。这会将设备配置为满足 AWS IoT Greengrass的 Python 要求。例如：
```
sudo ln -s path-to-python-3.6/python3.6 path-to-python-3.7/python3.7
```
SageMaker AI Neo DLR。
numpy。

安装 DLR 测试依赖项后，必须编译模型。

安装 DLR

按照 DLR 文档中的说明安装 Neo DLR。

注意

如果设备上同时安装了 Python 2.x 和 Python 3.x，请在运行来安装依赖项的命令中使用 Python 3.x。

验证 DLR 安装

选择以下一种选项来验证 DLR 安装。

方式 1：通过 SSH 接入设备并运行脚本

通过 SSH 接入设备。
运行以下脚本，验证是否正确安装了依赖项。
```
sudo python3.7 -c "import dlr; print(dlr.__version__)"
```
```
sudo python3.7 -c "import numpy; print(numpy.__version__)"
```
结果将输出版本号，而脚本应该顺利退出。

方式 2：运行 IDT 依赖项测试

确保已配置 device.json 用于执行 ML 资格认证。有关更多信息，请参阅为 ML 资格认证配置 device.json。

运行框架的依赖项测试。


devicetester_[linux | mac | win_x86-64] run-suite --group-id mldependencies --test-id dlr_dependency_check

测试摘要会为 mldependencies 显示 PASSED 结果。

编译 DLR 模型

必须先编译 DLR 模型，然后才能将其用于 ML 资格认证测试。有关具体步骤，请选择以下一种选项：

选项 1：使用亚马逊 SageMaker AI 编译模型

按照以下步骤使用 SageMaker AI 编译 IDT 提供的 ML 模型。该模型已预先使用 Apache MXNet 进行训练。

验证 SageMaker AI 是否支持您的设备类型。有关更多信息，请参阅 SageMaker A mazon AI API 参考中的目标设备选项。如果 SageMaker AI 目前不支持您的设备类型，请按照中的步骤操作方式 2：使用 TVM 编译 DLR 模型。

注意
使用由 SageMaker AI 编译的模型运行 DLR 测试可能需要 4 或 5 分钟。在此过程中请勿停止 IDT。
下载包含 DLR 的未编译、预训练 MXNet 模型的 tarball 文件：
- dlr-noncompiled-model-1.0.tar.gz
解压缩该 tarball 文件。此命令会生成以下目录结构。
将 synset.txt 移出 resnet18 目录。记下新位置。稍后，您需要将此文件复制到已编译的模型目录中。

压缩 resnet18 目录的内容。


tar cvfz model.tar.gz resnet18v1-symbol.json resnet18v1-0000.params

将压缩文件上传到您的的 Amazon S3 存储桶 AWS 账户，然后按照编译模型（控制台）中的步骤创建编译任务。
1. 对于输入配置，请使用以下值：
  - 对于数据输入配置，请输入 {"data": [1, 3, 224, 224]}。
  - 对于机器学习框架，请选择 MXNet。
2. 对于输出配置，请使用以下值：
  - 对于 S3 输出位置，请输入要存储已编译模型的 Amazon S3 存储桶或文件夹的路径。
  - 对于目标设备，请选择您的设备类型。
从指定的输出位置下载已编译的模型，然后解压缩该文件。
将 synset.txt 复制到已编译的模型目录中。
将已编译的模型目录的名称更改为 resnet18。

已编译的模型目录必须具有以下目录结构。

方式 2：使用 TVM 编译 DLR 模型

按照以下步骤使用 TVM 编译 IDT 提供的 ML 模型。此模型已预先使用 Apache MXNet 进行训练，因此您必须在编译模型的计算机或设备上安装 MXNet。要安装 MXNet，请按照 MXNet 文档中的说明进行操作。

注意

我们建议您在目标设备上编译模型。此做法是可选的，但它可以帮助确保兼容性并减少潜在问题。

下载包含 DLR 的未编译、预训练 MXNet 模型的 tarball 文件：
- dlr-noncompiled-model-1.0.tar.gz
解压缩该 tarball 文件。此命令会生成以下目录结构。
按照 TVM 文档中的说明，从源代码为平台构建和安装 TVM。
构建 TVM 后，为 resnet18 模型运行 TVM 编译。以下步骤根据 TVM 文档中的编译深度学习模型快速入门教程的内容设计而成。
1. 从克隆的 TVM 存储库中打开 relay_quick_start.py 文件。
2. 更新在 Relay 中定义神经网络的代码。可以使用以下选项之一：
  - 选项 1：使用 mxnet.gluon.model_zoo.vision.get_model 获取 Relay 模块和参数：
```
from mxnet.gluon.model_zoo.vision import get_model
block = get_model('resnet18_v1', pretrained=True)
mod, params = relay.frontend.from_mxnet(block, {"data": data_shape})
```
  - 选项 2：将您在步骤 1 中下载的未编译模型中的以下文件复制到 relay_quick_start.py 文件所在的目录。这些文件中包含了 Relay 模块和参数。
    resnet18v1-symbol.json
    
    resnet18v1-0000.params
3. 将保存和加载已编译模块的代码更新为以下代码。
```
from tvm.contrib import util
path_lib = "deploy_lib.so"
#  Export the model library based on your device architecture
lib.export_library("deploy_lib.so", cc="aarch64-linux-gnu-g++")
with open("deploy_graph.json", "w") as fo:
    fo.write(graph)
with open("deploy_param.params", "wb") as fo:
    fo.write(relay.save_param_dict(params))
```
4. 构建模型：
```
python3 tutorials/relay_quick_start.py --build-dir ./model
```
  此命令会生成以下文件。
  - deploy_graph.json
  - deploy_lib.so
  - deploy_param.params
将生成的模型文件复制到名为 resnet18 的目录中。这是已编译的模型目录。
将已编译的模型目录复制到主机计算机。然后，将您在步骤 1 中下载的未编译模型中的 synset.txt 复制到已编译的模型目录中。

已编译的模型目录必须具有以下目录结构。

接下来，配置您的 AWS 证书和device.json文件。

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

文档惯例

可选：配置 Docker 容器

配置 IDT 设置