终止支持通知：2026 年 10 月 7 日， AWS 将停止对的支持。 AWS IoT Greengrass Version 1 2026 年 10 月 7 日之后，您将无法再访问这些 AWS IoT Greengrass V1 资源。如需了解更多信息，请访问[迁移自 AWS IoT Greengrass Version 1](https://docs.aws.amazon.com/greengrass/v2/developerguide/migrate-from-v1.html)。 本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。 # 如何使用配置机器学习推理 AWS 管理控制台 要按照本教程中的步骤操作，你需要 C AWS IoT Greengrass ore v1.10 或更高版本。 您可以使用本地生成的数据在 Greengrass 核心设备上本地执行机器学习 (ML) 推理。有关信息（包括要求和约束），请参阅[执行机器学习推理](ml-inference.md)。 本教程介绍如何使用配置 Greengrass 群组 AWS 管理控制台 以运行 Lambda 推理应用程序，该应用程序可在本地识别来自相机的图像，而无需将数据发送到云端。推理应用程序访问 Raspberry Pi 上的摄像头模块，并使用开源模型运行推理。[SqueezeNet](https://github.com/DeepScale/SqueezeNet) 本教程包含以下概括步骤： 1. [配置 Raspberry Pi](#config-raspberry-pi) 1. [安装 MXNet 框架](#install-mxnet) 1. [创建模型包](#package-ml-model) 1. [创建并发布 Lambda 函数](#ml-console-create-lambda) 1. [将 Lambda 函数添加到组](#ml-console-config-lambda) 1. [将资源添加到组](#ml-console-add-resources) 1. [将订阅添加到组](#ml-console-add-subscription) 1. [部署组](#ml-console-deploy-group) 1. [测试应用程序](#ml-console-test-app) ## 先决条件 要完成此教程，需要： + Raspberry Pi 4 Model B 或 Raspberry Pi 3 Model B/B\$1，已设置并配置为与一起使用。 AWS IoT Greengrass要使用 AWS IoT Greengrass设置 Raspberry Pi，请运行 [Greengrass 设备安装](quick-start.md)脚本，或确保您已完成 [入门 AWS IoT Greengrass](gg-gs.md) 的[模块 1](https://docs.aws.amazon.com/greengrass/latest/developerguide/module1.html) 和[模块 2](https://docs.aws.amazon.com/greengrass/latest/developerguide/module2.html)。 **注意** Raspberry Pi 可能需要一个 2.5A 的[电源](https://www.raspberrypi.org/documentation/hardware/raspberrypi/power/)来运行通常用于图像分类的深度学习框架。额定值不足的电源可能会导致设备重新启动。 + [Raspberry Pi 摄像机模块 V2 - 800 万像素，1080p](https://www.amazon.com/Raspberry-Pi-Camera-Module-Megapixel/dp/B01ER2SKFS)。要了解关于如何设置摄像机的更多信息，请参阅 Raspberry Pi 文档中的[连接摄像机](https://www.raspberrypi.org/documentation/usage/camera/)。 + Greengrass 组和 Greengrass 核心。有关如何创建 Greengrass 组或核心的信息，请参阅 [入门 AWS IoT Greengrass](gg-gs.md)。 **注意** 本教程使用 Raspberry Pi，但 AWS IoT Greengrass 支持其他平台，例如[英特尔凌动](#atom-lambda-config)和 [NVIDIA Jetson TX2](#jetson-lambda-config)。在 Jetson 的示例中 TX2，您可以使用静态图像代替从摄像机传输的图像。如果使用 Jetson TX2 示例，则可能需要安装 Python 3.6 而不是 Python 3.7。有关配置设备以便安装 C AWS IoT Greengrass ore 软件的信息，请参阅[设置其他设备](setup-filter.other.md)。 对于 AWS IoT Greengrass 不支持的第三方平台，您必须在非容器化模式下运行 Lambda 函数。要在非容器化模式下运行，必须以 root 用户身份运行 Lambda 函数。有关更多信息，请参阅[选择 Lambda 函数容器化时的注意事项](lambda-group-config.md#lambda-containerization-considerations)和[为组中的 Lambda 函数设置默认访问身份](lambda-group-config.md#lambda-access-identity-groupsettings)。 ## 步骤 1：配置 Raspberry Pi 在该步骤中，将安装 Raspbian 操作系统的更新，安装摄像机模块软件和 Python 依赖项，以及启用摄像机接口。 在您的 Raspberry Pi 终端中运行以下命令。 1. 安装 Raspbian 的更新。 ``` sudo apt-get update sudo apt-get dist-upgrade ``` 1. 安装适用于摄像机模块的 `picamera` 接口以及本教程所需的其他 Python 库。 ``` sudo apt-get install -y python3-dev python3-setuptools python3-pip python3-picamera ``` 验证安装： + 确保您的 Python 3.7 安装包含 pip。 ``` python3 -m pip ``` 如果未安装 pip，请从 [pip 网站](https://pip.pypa.io/en/stable/installing/) 下载它，然后运行以下命令。 ``` python3 get-pip.py ``` + 确保您的 Python 版本为 3.7 或更高版本。 ``` python3 --version ``` 如果输出列出了早期版本，请运行以下命令。 ``` sudo apt-get install -y python3.7-dev ``` + 确保已成功安装 Setuptools 和 Picamera。 ``` sudo -u ggc_user bash -c 'python3 -c "import setuptools"' sudo -u ggc_user bash -c 'python3 -c "import picamera"' ``` 如果输出未包含错误，则表示验证成功。 **注意** 如果设备上安装的 Python 可执行文件是 `python3.7`，请将 `python3.7` 而非 `python3` 用于本教程中的命令。确保 pip 安装映射到正确的 `python3.7` 或 `python3` 版本以避免依赖项错误。 1. 重启 Raspberry Pi。 ``` sudo reboot ``` 1. 打开 Raspberry Pi 配置工具。 ``` sudo raspi-config ``` 1. 使用箭头键打开**接口选项**并启用摄像机接口。如果出现提示，请允许设备重新启动。 1. 使用以下命令测试摄像机设置。 ``` raspistill -v -o test.jpg ``` 这将在 Raspberry Pi 上打开一个预览窗口，将名为 `test.jpg` 的图片保存到您的当前目录，并在 Raspberry Pi 终端中显示有关摄像机的信息。 ## 第 2 步：安装 MXNet 框架 在此步骤中，在 Raspberry Pi 上安装 MXNet 库。 1. 远程登录您的 Raspberry Pi。 ``` ssh pi@your-device-ip-address ``` 1. 打开 MXNet 文档，打开 “[安装](https://mxnet.apache.org/get_started/?)” MXNet，然后按照说明在设备 MXNet 上进行安装。 **注意** 我们建议在本教程中安装版本 1.5.0 并 MXNet 从源代码构建，以避免设备冲突。 1. 安装后 MXNet，请验证以下配置： + 确保`ggc_user`系统帐户可以使用该 MXNet框架。 ``` sudo -u ggc_user bash -c 'python3 -c "import mxnet"' ``` + 确保 NumPy 已安装。 ``` sudo -u ggc_user bash -c 'python3 -c "import numpy"' ``` ## 步骤 3：创建 MXNet 模型包 在此步骤中，创建一个模型包，其中包含要上传到亚马逊简单存储服务 (Amazon S3) 的预训练 MXNet 模型示例。 AWS IoT Greengrass 可以使用 Amazon S3 中的模型包，前提是您使用 tar.gz 或 zip 格式。 1. 在您的计算机上，从下载 Raspberry Pi 的 MXNet 示例[机器学习示例](what-is-gg.md#gg-ml-samples)。 1. 不要解压下载的 `mxnet-py3-armv7l.tar.gz` 文件。 1. 导航到 `squeezenet` 目录。 ``` cd path-to-downloaded-sample/mxnet-py3-armv7l/models/squeezenet ``` 此目录中的 `squeezenet.zip` 文件是您的模型包。它包含用于图像分类模型的 SqueezeNet 开源模型工件。稍后，您可将此模型包上传到 Amazon S3。 ## 步骤 4：创建并发布 Lambda 函数 在此步骤中，创建 Lambda 函数部署程序包和 Lambda 函数。接下来，发布函数版本并创建别名。 首先，创建 Lambda 函数部署程序包。 1. 在您的计算机上，导航到您在[步骤 3：创建 MXNet 模型包](#package-ml-model)中提取的示例程序包中的 `examples` 目录。 ``` cd path-to-downloaded-sample/mxnet-py3-armv7l/examples ``` `examples` 目录包含函数代码和依赖项。 + `greengrassObjectClassification.py` 是本教程中使用的推理代码。可以将此代码用作模板来创建您自己的推理函数。 + `greengrasssdk` 是适用于 Python 的 AWS IoT Greengrass 核心 SDK 的 1.5.0 版本。 **注意** 如果提供了新版本，您可以下载该版本并升级部署程序包中的开发工具包版本。有关更多信息，请参阅适用于 [Python 的AWS IoT Greengrass 核心开发工具包](https://github.com/aws/aws-greengrass-core-sdk-python/) GitHub。 1. 将 `examples` 目录的内容压缩到一个名为 `greengrassObjectClassification.zip` 的文件中。这就是您的部署程序包。 ``` zip -r greengrassObjectClassification.zip . ``` **注意** 确保 `.py` 文件和依赖项位于该目录的根目录中。   下一步，创建 Lambda 函数。 1. 在 AWS IoT 控制台中，选择 “**函数**” 和 “**创建函数**”。 1. 选择**从头开始创作**并使用以下值创建您的函数： + 对于**函数名称**，请输入 **greengrassObjectClassification**。 + 对于**运行时系统**，选择 **Python 3.7**。 对于**权限**，请保留默认设置。这将创建一个授予基本 Lambda 权限的执行角色。此角色未被使用 AWS IoT Greengrass。 1. 选择**创建函数**。   现在，上传您的 Lambda 函数部署程序包并注册处理程序。 1. 选择您的 Lambda 函数并上传您的 Lambda 函数部署包。 1. 在**代码**选项卡上的**代码源**下，选择**上传自**。从下拉列表中选择 **.zip 文件**。 ![\[“上传自”下拉列表中突出显示了.zip 文件。\]](http://docs.aws.amazon.com/zh_cn/greengrass/v1/developerguide/images/lra-console/upload-deployment-package.png) 1. 选择**上传**，然后选择您的 `greengrassObjectClassification.zip` 部署包。然后，选择**保存**。 1. 在函数的**代码**选项卡中，在**运行时设置**下选择**编辑**，然后输入以下值。 + 对于**运行时系统**，选择 **Python 3.7**。 + 对于**处理程序**，输入 **greengrassObjectClassification.function\$1handler**。 选择**保存**。 接下来，发布您的 Lambda 函数的第一个版本。然后，创建[版本的别名](https://docs.aws.amazon.com/lambda/latest/dg/versioning-aliases.html)。 **注意** Greengrass 组可以按别名（推荐）或版本引用 Lambda 函数。使用别名，您可以更轻松地管理代码更新，因为您在更新函数代码时，不必更改订阅表或组定义。相反，您只需将别名指向新的函数版本。 1. 在**操作**菜单上，选择**发布新版本**。 ![\[“Actions (操作)”菜单中的“Publish new version (发布新版本)”选项。\]](http://docs.aws.amazon.com/zh_cn/greengrass/v1/developerguide/images/ml-inference/lambda-publish-version.png) 1. 对于**版本描述**，输入 **First version**，然后选择**发布**。 1. 在**greengrassObjectClassification:1** 配置页面上，从 “**操作**” 菜单中选择 “**创建别名**”。 ![\[“Actions (操作)”菜单中的“Create alia (创建别名)”选项。\]](http://docs.aws.amazon.com/zh_cn/greengrass/v1/developerguide/images/ml-inference/lambda-create-alias.png) 1. 在**创建新别名**页面上，使用以下值： + 对于**名称**，输入 **mlTest**。 + 对于 **Version (版本)**，输入 **1**。 **注意** AWS IoT Greengrass **不支持 \$1LATEST 版本的 Lambda 别名。** 1. 选择**保存**。   现在，将 Lambda 函数添加到 Greengrass 组。 ## 步骤 5：将 Lambda 函数添加到 Greengrass 组 在该步骤中，将 Lambda 函数添加到该组，然后配置其生命周期和环境变量。 首先，将 Lambda 函数添加到 Greengrass 组。 1. **在 AWS IoT 控制台导航窗格的**管理**下，展开 **Greengrass** 设备，然后选择群组 (V1)。** 1. 在组配置页面上，选择 **Lambda 函数**选项卡。 1. 在**我的 Lambda 函数**部分下，选择**添加**。 1. 对于 **Lambda 函数**，请选择。**greengrassObjectClassification** 1. 对于 **Lambda 函数版本**，请选择 **Alias:mlTest**。   接下来，配置 Lambda 函数的生命周期和环境变量。 1. 在 **Lambda 函数配置**部分中，进行以下更新。 **注意** 我们建议您在不进行容器化的情况下运行 Lambda 函数，除非您的业务案例需要这样做。这有助于您在无需配置设备资源的前提下访问您的设备 GPU 和摄像头。如果您在没有容器化的情况下运行，则还必须授予对 Lambda 函数 AWS IoT Greengrass 的根访问权限。 1. **在不进行容器化的情况下运行：** + 对于**系统用户和群**，请选择 **Another user ID/group ID**。在**系统用户 ID** 中，输入 **0**。在**系统组 ID** 中，输入 **0**。 这将允许您的 Lambda 函数以根用户身份运行。有关以根用户身份运行的更多信息，请参阅 [为组中的 Lambda 函数设置默认访问身份](lambda-group-config.md#lambda-access-identity-groupsettings)。 **提示** 您还必须更新 `config.json` 文件，从而能够为 Lambda 函数授予根用户访问权限。有关此步骤，请参阅 [以根用户身份运行 Lambda 函数](lambda-group-config.md#lambda-running-as-root)。 + 对于 **Lambda 函数容器化**，请选择**无容器**。 有关不进行容器化的情况下运行的更多信息，请参阅 [选择 Lambda 函数容器化时的注意事项](lambda-group-config.md#lambda-containerization-considerations)。 + 对于**超时**，输入 **10 seconds**。 + 对于**已固定**，选择 **True**。 有关更多信息，请参阅 [Greengrass Lambda 函数的生命周期配置](lambda-functions.md#lambda-lifecycle)。 1. **改为在容器化模式下运行：** **注意** 我们不建议以容器化模式运行，除非您的业务案例需要这样做。 + 对于**系统用户和组**，选择**使用组默认值**。 + 对于 **Lambda 函数容器化**，选择**使用组默认值**。 + 对于**内存限制**，输入 **96 MB**。 + 对于**超时**，输入 **10 seconds**。 + 对于**已固定**，选择 **True**。 有关更多信息，请参阅 [Greengrass Lambda 函数的生命周期配置](lambda-functions.md#lambda-lifecycle)。 1. 在 **Environment variables (环境变量)** 下，创建一个键/值对。与 Raspberry Pi 上的 MXNet 模型交互的函数需要键值对。 对于键，使用 MXNET\$1ENGINE\$1TYPE。对于该值，请使用 NaiveEngine。 **注意** 在您自己的用户定义的 Lambda 函数中，您可以选择在函数代码中设置环境变量。 1. 为所有其他属性保留默认值，然后选择**添加 Lambda 函数**。 ## 步骤 6：将资源添加到 Greengrass 组 在该步骤中，将为摄像机模块和 ML 推理模型创建资源，并将该资源与 Lambda 函数关联。这使 Lambda 函数能够访问核心设备上的资源。 **注意** 如果您在非容器化模式下运行，则无需配置这些设备资源 AWS IoT Greengrass 即可访问您的设备 GPU 和摄像头。 首先，为摄像机创建两种本地设备资源：一种用于共享内存，另一种用于设备接口。有关本地资源访问的更多信息，请参阅[使用 Lambda 函数和连接器访问本地资源](access-local-resources.md)。 1. 在组配置页面上，选择**资源**选项卡。 1. 在**本地资源**部分，选择**添加本地资源**。 1. 在 **添加本地资源** 页面上，使用以下值： + 对于**资源名称**，输入 **videoCoreSharedMemory**。 + 对于 **Resource type (资源类型)**，选择 **Device (设备)**。 + 对于 **本地设备路径**，输入 **/dev/vcsm**。 设备路径是设备资源的本地绝对路径。该路径只能引用 `/dev` 下的字符设备或块储存设备。 + 在 **系统组所有者和文件访问权限** 下，选择 **自动添加拥有资源的系统组的文件系统权限**。 **组所有者文件访问权限**选项可让您授予对 Lambda 进程的额外的文件访问权限。有关更多信息，请参阅 [组所有者文件访问权限](access-local-resources.md#lra-group-owner)。 1. 接下来，您将为摄像机接口添加本地设备资源。 1. 选择**添加本地资源**。 1. 在 **添加本地资源** 页面上，使用以下值： + 对于**资源名称**，输入 **videoCoreInterface**。 + 对于 **Resource type (资源类型)**，选择 **Device (设备)**。 + 对于 **本地设备路径**，输入 **/dev/vchiq**。 + 在 **系统组所有者和文件访问权限** 下，选择 **自动添加拥有资源的系统组的文件系统权限**。 1. 在页面底部，选择**添加资源**。   现在，将推理模型添加为机器学习资源。该步骤包含将 `squeezenet.zip` 模型包上传到 Amazon S3。 1. 在组的**资源**选项卡上，在**机器学习**部分，选择**添加机器学习资源**。 1. 在 **添加机器学习资源** 页面上，对于 **资源名称**，输入 **squeezenet\$1model**。 1. 对于**模型来源**，选择**使用存储在 S3 中的模型，例如通过深度学习编译器优化的模型**。 1. 对于 **S3 URI**，请输入 S3 桶的保存路径。 1. 选择**浏览 S3**。这会在 Amazon S3 控制台中打开一个新选项卡。 1. 在 Amazon S3 控制台选项卡上，将 `squeezenet.zip` 文件上传到 S3 桶。有关信息，请参阅 *Amazon Simple Storage Service 用户指南*中的[如何将文件和文件夹上传到 S3 存储桶？](https://docs.aws.amazon.com/AmazonS3/latest/user-guide/upload-objects.html)。 **注意** 为了便于访问 S3 桶，桶名称必须包含字符串 **greengrass** 并且桶所在的区域必须与您用于 AWS IoT Greengrass的区域相同。请选择唯一名称（如 **greengrass-bucket-*user-id*-*epoch-time***）。不要在存储桶名称中使用句点 (`.`)。 1. 在 AWS IoT Greengrass 控制台选项卡上，找到并选择您的 S3 存储桶。找到并上传 `squeezenet.zip` 文件，然后选择 **Select (选择)**。您可能需要选择**刷新**以更新可用存储桶和文件的列表。 1. 对于 **Destination path (目的地路径)**，输入 **/greengrass-machine-learning/mxnet/squeezenet**。 这是 Lambda 运行时目标命名空间中本地模型的目标。部署群组时，会 AWS IoT Greengrass 检索源模型包，然后将内容提取到指定目录。本教程的示例 Lambda 函数已配置为使用该路径 (在 `model_path` 变量中)。 1. 在**系统组所有者和文件访问权限**下，选择**不含系统组**。 1. 选择**添加资源**。 ### 使用经过 SageMaker 人工智能训练的模型 本教程使用存储在 Amazon S3 中的模型，但您也可以轻松使用 SageMaker AI 模型。该 AWS IoT Greengrass 控制台内置了 SageMaker AI 集成，因此您无需手动将这些模型上传到 Amazon S3。有关使用 SageMaker AI 模型的要求和限制，请参阅[支持的模型源](ml-inference.md#supported-model-sources)。 要使用 SageMaker AI 模型，请执行以下操作： + 在 “**模型来源**” 中，选择 “**使用在 AWS SageMaker AI 中训练**的模型”，然后选择模型训练作业的名称。 + 对于**本地路径**，输入您的 Lambda 函数在其中查找该模型的目录的路径。 ## 步骤 7：将订阅添加到 Greengrass 组 在该步骤中，将订阅添加到该组。此订阅允许 Lambda 函数 AWS IoT 通过向 MQTT 主题发布预测结果来发送预测结果。 1. 在组配置页面中，选择**订阅**选项卡，然后选择**添加订阅**。 1. 在**订阅详细信息**页面中，按如下所述配置源和目标： 1. 在**源类型**中，选择 **Lambda 函数**，然后选择。**greengrassObjectClassification** 1. 对于**目标类型**，选择**服务**，然后选择 **IoT 云**。 1. 在**主题筛选条件**字段中，输入 **hello/world**，然后选择**订阅**。 ## 步骤 8：部署 Greengrass 组 在该步骤中，将最新版本的组定义部署到 Greengrass 核心设备。该定义包含您添加的 Lambda 函数、资源和订阅配置。 1. 确保 AWS IoT Greengrass 内核正在运行。根据需要在您的 Raspberry Pi 终端中运行以下命令。 1. 要检查进程守护程序是否正在运行，请执行以下操作： ``` ps aux | grep -E 'greengrass.*daemon' ``` 如果输出包含 `root` 的 `/greengrass/ggc/packages/1.11.6/bin/daemon` 条目，则表示进程守护程序正在运行。 **注意** 路径中的版本取决于 AWS IoT Greengrass 核心设备上安装的 Core 软件版本。 1. 启动进程守护程序： ``` cd /greengrass/ggc/core/ sudo ./greengrassd start ``` 1. 在组配置页面上，选择**部署**。 ![\[突出显示“Deployments (部署)”和“Deploy (部署)”的组页面。\]](http://docs.aws.amazon.com/zh_cn/greengrass/v1/developerguide/images/console-group-deployments-deploy.png) 1. 在 **Lambda 函数**选项卡的**系统 Lambda 函数**部分下，选择 **IP 检测器**，再选择**编辑**。 1. 在**编辑 IP 检测器设置**对话框中，选择**自动检测和覆盖 MQTT 代理端点**。 1. 选择**保存**。 这使得设备可以自动获取核心的连接信息，例如 IP 地址、DNS 和端口号。建议使用自动检测，但 AWS IoT Greengrass 也支持手动指定的端点。只有在首次部署组时，系统才会提示您选择发现方法。 **注意** 如果出现提示，请授予创建 [Greengrass 服务角色并将其与当前](service-role.md)角色关联的权限。 AWS 账户 AWS 区域此角色 AWS IoT Greengrass 允许访问您在 AWS 服务中的资源。 **部署**页面显示了部署时间戳、版本 ID 和状态。完成后，部署的状态应显示为 **已完成**。 有关部署的更多信息，请参阅 [将 AWS IoT Greengrass 群组部署到 AWS IoT Greengrass 核心](deployments.md)。有关问题排查帮助，请参阅[故障排除 AWS IoT Greengrass](gg-troubleshooting.md)。 ## 步骤 9：测试推理应用程序 现在，您可以验证是否正确配置了部署。要进行测试，您应订阅 `hello/world` 主题并查看由 Lambda 函数发布的预测结果。 **注意** 如果将一个监视器连接到 Raspberry Pi，活动摄像机源将显示在预览窗口中。 1. 在 AWS IoT 控制台的**测试**下，选择 **MQTT 测试客户端**。 1. 对于 **Subscriptions (订阅)**，使用以下值： + 对于订阅主题，请使用 hello/world。 + 在**其他配置**下，对于 **MQTT 负载显示**，请选择**将负载显示为字符串**。 1. 选择**订阅**。 如果测试成功，来自 Lambda 函数的消息将显示在页面底部。每条消息包含图像的前 5 个预测结果，这些结果使用以下格式：可能性、预测的类 ID 及对应的类名称。 ![\[显示了包含消息数据的测试结果的“Subscriptions (订阅)”页面。\]](http://docs.aws.amazon.com/zh_cn/greengrass/v1/developerguide/images/ml-inference/prediction-results.png) ### 对 AWS IoT Greengrass ML 推理进行故障排除 如果测试失败，您可以尝试以下问题排查步骤。在您的 Raspberry Pi 终端中运行以下命令。 #### 检查错误日志 1. 切换到根用户并导航到 `log` 目录。访问 AWS IoT Greengrass 日志需要 root 权限。 ``` sudo su cd /greengrass/ggc/var/log ``` 1. 在 `system` 目录中，选中 `runtime.log` 或 `python_runtime.log`。 在 `user/region/account-id` 目录中，选中 `greengrassObjectClassification.log`。 有关更多信息，请参阅 [使用日志排查问题](gg-troubleshooting.md#troubleshooting-logs)。 ##### runtime.log 中的“解压缩”错误 如果 `runtime.log` 包含类似于下面的错误，请确保您的 `tar.gz` 源模型包具有一个父目录。 ``` Greengrass deployment error: unable to download the artifact model-arn: Error while processing. Error while unpacking the file from /tmp/greengrass/artifacts/model-arn/path to /greengrass/ggc/deployment/path/model-arn, error: open /greengrass/ggc/deployment/path/model-arn/squeezenet/squeezenet_v1.1-0000.params: no such file or directory ``` 如果您的包没有包含模型文件的父目录，请使用以下命令重新打包模型： ``` tar -zcvf model.tar.gz ./model ``` 例如： ``` ─$ tar -zcvf test.tar.gz ./test ./test ./test/some.file ./test/some.file2 ./test/some.file3 ``` **注意** 不要在此命令中包含尾随 `/*` 字符。   #### 验证 Lambda 函数是否已成功部署 1. 列出 `/lambda` 目录中已部署的 Lambda 的内容。在运行命令前替换占位符值。 ``` cd /greengrass/ggc/deployment/lambda/arn:aws:lambda:region:account:function:function-name:function-version ls -la ``` 1. 验证该目录是否包含与您在 [步骤 4：创建并发布 Lambda 函数](#ml-console-create-lambda) 中上传的 `greengrassObjectClassification.zip` 部署程序包相同的内容。 确保 `.py` 文件和依赖项位于该目录的根目录中。   #### 验证推理模型是否已成功部署 1. 查找 Lambda 运行时进程的进程标识号 (PID)： ``` ps aux | grep 'lambda-function-name*' ``` 在输出中，PID 显示在 Lambda 运行时进程的行的第二列中。 1. 输入 Lambda 运行时命名空间。在运行命令之前，请务必替换占位符*pid*值。 **注意** 此目录及其内容位于 Lambda 运行时命名空间中，因此它们不会显示在常规 Linux 命名空间中。 ``` sudo nsenter -t pid -m /bin/bash ``` 1. 列出您为 ML 资源指定的本地目录的内容。 ``` cd /greengrass-machine-learning/mxnet/squeezenet/ ls -ls ``` 您应该看到以下文件： ``` 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 ``` ## 后续步骤 接下来，探索其他推理应用程序。 AWS IoT Greengrass 提供了其他 Lambda 函数，您可以使用这些函数来尝试局部推理。您可以在您在[第 2 步：安装 MXNet 框架](#install-mxnet)中下载的预编译库文件夹中查找示例程序包。 ## 配置 Intel Atom 要在 Intel Atom 设备上运行本教程，您必须提供源图像、配置 Lambda 函数并添加其他本地设备资源。要使用 GPU 进行推理，请确保您的设备上已安装以下软件： + OpenCL 版本 1.0 或更高版本 + Python 3.7 和 pip **注意** 如果您的设备是使用 Python 3.6 预构建的，则可改为创建指向 Python 3.7 的符号链接。有关更多信息，请参阅 [Step 2](#python-symlink)。 + [NumPy](https://pypi.org/project/numpy/) + [基于 Wheel 的 OpenCV](https://pypi.org/project/opencv-python/) 1. 下载 Lambda 函数的静态 PNG 或 JPG 图像以用于图像分类。该示例最适合小型图像文件。 将图像文件保存在包含 `greengrassObjectClassification.py` 文件的目录中（或保存在此目录的子目录中）。此目录位于您在 [步骤 4：创建并发布 Lambda 函数](#ml-console-create-lambda) 中上传的 Lambda 函数部署程序包中。 **注意** 如果您正在使用 AWS DeepLens，则可以使用机载摄像头或安装自己的摄像头，对捕获的图像而不是静态图像进行推理。但是，我们强烈建议您先用静态图像开始。 如果您使用的是摄像机，请确保 `awscam` APT 程序包已安装并且是最新的。有关更多信息，请参阅 *AWS DeepLens 开发人员指南*中的[更新 AWS DeepLens 设备](https://docs.aws.amazon.com/deeplens/latest/dg/deeplens-manual-updates.html)。 1. 如果您使用的不是 Python 3.7，请确保创建从 Python 3.x 到 Python 3.7 的符号链接。这会将你的设备配置为使用 Python 3。 AWS IoT Greengrass运行以下命令可查找您的 Python 安装： ``` which python3 ``` 运行以下命令可创建符号链接： ``` sudo ln -s path-to-python-3.x/python3.x path-to-python-3.7/python3.7 ``` 重新启动设备。 1. 编辑 Lambda 函数的配置。按照[步骤 5：将 Lambda 函数添加到 Greengrass 组](#ml-console-config-lambda)中的程序操作。 **注意** 我们建议您在不进行容器化的情况下运行 Lambda 函数，除非您的业务案例需要这样做。这有助于您在无需配置设备资源的前提下访问您的设备 GPU 和摄像头。如果您在没有容器化的情况下运行，则还必须授予对 Lambda 函数 AWS IoT Greengrass 的根访问权限。 1. **在不进行容器化的情况下运行：** + 对于**系统用户和群**，请选择 **Another user ID/group ID**。在**系统用户 ID** 中，输入 **0**。在**系统组 ID** 中，输入 **0**。 这将允许您的 Lambda 函数以根用户身份运行。有关以根用户身份运行的更多信息，请参阅 [为组中的 Lambda 函数设置默认访问身份](lambda-group-config.md#lambda-access-identity-groupsettings)。 **提示** 您还必须更新 `config.json` 文件，从而能够为 Lambda 函数授予根用户访问权限。有关此步骤，请参阅 [以根用户身份运行 Lambda 函数](lambda-group-config.md#lambda-running-as-root)。 + 对于 **Lambda 函数容器化**，请选择**无容器**。 有关不进行容器化的情况下运行的更多信息，请参阅 [选择 Lambda 函数容器化时的注意事项](lambda-group-config.md#lambda-containerization-considerations)。 + 将 **Timeout (超时)** 值更新为 5 秒。这可确保请求不会过早超时。设置后，需要几分钟以运行推理。 + 对于**已固定**，选择 **True**。 + 在**其他参数**下，在**对 sys 目录的只读权限**中选择**启用**。 + 对于 **Lambda 生命周期**，选择 **Make this function long-lived and keep it running indefinitely (使此函数长时间生存，保持其无限期运行)**。 1. **改为在容器化模式下运行：** **注意** 我们不建议以容器化模式运行，除非您的业务案例需要这样做。 + 将 **Timeout (超时)** 值更新为 5 秒。这可确保请求不会过早超时。设置后，需要几分钟以运行推理。 + 对于**已固定**，选择 **True**。 + 在**其他参数**下，在**对 sys 目录的只读权限**中选择**启用**。 1. **如果在容器化模式下运行**，请添加所需的本地设备资源以授予对设备 GPU 的访问权限。 **注意** 如果您在非容器化模式下运行，则无需配置设备 AWS IoT Greengrass 资源即可访问您的设备 GPU。 1. 在组配置页面上，选择**资源**选项卡。 1. 选择**添加本地资源**。 1. 定义资源： + 对于**资源名称**，输入 **renderD128**。 + 对于 **资源类型**，选择 **本地设备**。 + 对于 **Device path (设备路径)**，输入 **/dev/dri/renderD128**。 + 在 **系统组所有者和文件访问权限** 下，选择 **自动添加拥有资源的系统组的文件系统权限**。 + 对于 **Lambda 函数从属关系**，为您的 Lambda 函数授予**读写访问权限**。 ## 配置 NVIDIA Jetson TX2 要在 NVIDIA Jetson 上运行本教程 TX2，请提供源图像并配置 Lambda 函数。如果您使用的是 GPU，则还必须添加本地设备资源。 1. 确保您的 Jetson 设备已配置，以便您可以安装 AWS IoT Greengrass Core 软件。有关配置设备的更多信息，请参阅[设置其他设备](setup-filter.other.md)。 1. 打开 MXNet 文档，前往在 [Jetson MXNet 上安装](https://mxnet.apache.org/get_started/jetson_setup)，然后按照说明在 Jetson 设备 MXNet 上进行安装。 **注意** 如果要 MXNet 从源代码构建，请按照说明构建共享库。编辑`config.mk`文件中的以下设置以使用 Jetson TX2 设备： 将 `-gencode arch=compute-62, code=sm_62` 添加到 `CUDA_ARCH` 设置。 打开 CUDA。 ``` USE_CUDA = 1 ``` 1. 下载 Lambda 函数的静态 PNG 或 JPG 图像以用于图像分类。该应用最适合小型图像文件。或者，您可以分析 Jetson 板上的摄像机来捕获源图像。 将图像文件保存在包含 `greengrassObjectClassification.py` 文件的目录中。您也可以将这些文件保存在此目录的子目录中。此目录位于您在 [步骤 4：创建并发布 Lambda 函数](#ml-console-create-lambda) 中上传的 Lambda 函数部署程序包中。 1. 创建从 Python 3.7 到 Python 3.6 的符号链接以使用 Python 3。 AWS IoT Greengrass运行以下命令可查找您的 Python 安装： ``` which python3 ``` 运行以下命令可创建符号链接： ``` sudo ln -s path-to-python-3.6/python3.6 path-to-python-3.7/python3.7 ``` 重新启动设备。 1. 确保`ggc_user`系统账户可以使用该 MXNet 框架： ``` “sudo -u ggc_user bash -c 'python3 -c "import mxnet"' ``` 1. 编辑 Lambda 函数的配置。按照[步骤 5：将 Lambda 函数添加到 Greengrass 组](#ml-console-config-lambda)中的程序操作。 **注意** 我们建议您在不进行容器化的情况下运行 Lambda 函数，除非您的业务案例需要这样做。这有助于您在无需配置设备资源的前提下访问您的设备 GPU 和摄像头。如果您在没有容器化的情况下运行，则还必须授予对 Lambda 函数 AWS IoT Greengrass 的根访问权限。 1. **在不进行容器化的情况下运行：** + 对于**系统用户和群**，请选择 **Another user ID/group ID**。在**系统用户 ID** 中，输入 **0**。在**系统组 ID** 中，输入 **0**。 这将允许您的 Lambda 函数以根用户身份运行。有关以根用户身份运行的更多信息，请参阅 [为组中的 Lambda 函数设置默认访问身份](lambda-group-config.md#lambda-access-identity-groupsettings)。 **提示** 您还必须更新 `config.json` 文件，从而能够为 Lambda 函数授予根用户访问权限。有关此步骤，请参阅 [以根用户身份运行 Lambda 函数](lambda-group-config.md#lambda-running-as-root)。 + 对于 **Lambda 函数容器化**，请选择**无容器**。 有关不进行容器化的情况下运行的更多信息，请参阅 [选择 Lambda 函数容器化时的注意事项](lambda-group-config.md#lambda-containerization-considerations)。 + 在**其他参数**下，在**对 sys 目录的只读权限**中选择**启用**。 + 在 **环境变量**下，将以下键/值对添加到 Lambda 函数。这将配置 AWS IoT Greengrass 为使用 MXNet 框架。 [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_cn/greengrass/v1/developerguide/ml-console.html) 1. **改为在容器化模式下运行：** **注意** 我们不建议以容器化模式运行，除非您的业务案例需要这样做。 + 提高**内存限制**值。使用 500 MB（对于 CPU）或至少使用 2000 MB（对于 GPU）。 + 在**其他参数**下，在**对 sys 目录的只读权限**中选择**启用**。 + 在 **环境变量**下，将以下键/值对添加到 Lambda 函数。这将配置 AWS IoT Greengrass 为使用 MXNet 框架。 [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_cn/greengrass/v1/developerguide/ml-console.html) 1. **如果在容器化模式下运行**，请添加以下本地设备资源以授予对设备 GPU 的访问权限。按照[步骤 6：将资源添加到 Greengrass 组](#ml-console-add-resources)中的程序操作。 **注意** 如果您在非容器化模式下运行，则无需配置设备 AWS IoT Greengrass 资源即可访问您的设备 GPU。 对于每个资源： + 对于 **Resource type (资源类型)**，选择 **Device (设备)**。 + 在 **系统组所有者和文件访问权限** 下，选择 **自动添加拥有资源的系统组的文件系统权限**。   [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_cn/greengrass/v1/developerguide/ml-console.html) 1. **如果在容器化模式下运行**，请添加以下本地卷资源以授予对设备摄像头的访问权限。按照[步骤 6：将资源添加到 Greengrass 组](#ml-console-add-resources)中的程序操作。 **注意** 如果您在非容器化模式下运行，则无需配置音量资源 AWS IoT Greengrass 即可访问设备摄像头。 + 对于**资源类型**，选择**卷**。 + 在 **系统组所有者和文件访问权限** 下，选择 **自动添加拥有资源的系统组的文件系统权限**。   [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_cn/greengrass/v1/developerguide/ml-console.html)