VT2018 Mxnet Demo: Difference between revisions
Jump to navigation
Jump to search
(Created page with "==Compilation== On la compile avec la commande suivante : javac -classpath '''$PATH'''/gson-2.8.5.jar fact.java Ici, la valeur '''<code>PATH</code>''' est à remplacer par l...") |
No edit summary |
||
| (3 intermediate revisions by the same user not shown) | |||
| Line 1: | Line 1: | ||
== |
==Prérequis== |
||
*Python installé |
|||
| ⚫ | |||
*La commande pip installé |
|||
javac -classpath '''$PATH'''/gson-2.8.5.jar fact.java |
|||
Ici, la valeur '''<code>PATH</code>''' est à remplacer par le chemin où vous avez rangé la librairie [https://github.com/google/gson Gson] qui est nécessaire pour utiliser du Java avec OpenWhisk. |
|||
==Installation== |
|||
On crée ensuite une archive jar de notre action compilée : |
|||
jar cvf fact.jar fact.class |
|||
| ⚫ | |||
pip install mxnet |
|||
Pour se servir de mxnet, on aura juste à faire import Mxnet dans son fichier .py |
|||
Pour l'installation de la clé movidius, voici le |
|||
[https://software.intel.com/en-us/neural-compute-stick tutoriel] à suivre. |
|||
==Démonstration== |
|||
===Mxnet=== |
|||
Sur ce dépôt git, on peut trouver de nombreux projets qui ont utilisé Mxnet pour faire leur modèle Mxnet. |
|||
git clone git clone https://github.com/apache/incubator-mxnet.git |
|||
Ensuite il faut se placer sur la branche où la release est fonctionnelle |
|||
git checkout 0.10.0.post2 |
|||
Puis lancer la commande suivante pour entrainer son modèle |
|||
python train_mnist.py --network mlp |
|||
Utilisation avec plusieurs GPU si vous en disposez au moins 2: |
|||
python train_cifar10.py --network resnet --num-layers 110 --batch-size 128 --gpus 0,1 |
|||
===Intel Movidius=== |
|||
Pour utiliser la clé avec un modèle entrainé par Mxnet, il faut tout d'abord le convertir: |
|||
python3 mo_mxnet.py --input_model model-file-0000.params |
|||
La procédure ensuite est explicité [https://software.intel.com/en-us/articles/OpenVINO-Using-MXNet ici] pour utiliser son modèle de prediction. |
|||
Latest revision as of 11:31, 19 November 2018
Prérequis
- Python installé
- La commande pip installé
Installation
On installe Mxnet avec la commande suivante :
pip install mxnet
Pour se servir de mxnet, on aura juste à faire import Mxnet dans son fichier .py
Pour l'installation de la clé movidius, voici le tutoriel à suivre.
Démonstration
Mxnet
Sur ce dépôt git, on peut trouver de nombreux projets qui ont utilisé Mxnet pour faire leur modèle Mxnet.
git clone git clone https://github.com/apache/incubator-mxnet.git
Ensuite il faut se placer sur la branche où la release est fonctionnelle
git checkout 0.10.0.post2
Puis lancer la commande suivante pour entrainer son modèle
python train_mnist.py --network mlp
Utilisation avec plusieurs GPU si vous en disposez au moins 2:
python train_cifar10.py --network resnet --num-layers 110 --batch-size 128 --gpus 0,1
Intel Movidius
Pour utiliser la clé avec un modèle entrainé par Mxnet, il faut tout d'abord le convertir:
python3 mo_mxnet.py --input_model model-file-0000.params
La procédure ensuite est explicité ici pour utiliser son modèle de prediction.