深圳画册设计公司排行榜/seo神器

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_mxnetsym = "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')