本篇文章译自英文文档CompileMXNetModels。作者是JoshuaZ.Zhang，KazutakaMorita。更多TVM中文文档可访问→TVM中文站。

1.AUC可视化绘图工具GitHub-lanpa/tensorboardX:tensorboardforpytorch(andchainer,mxnet,numpy,...)需要注意，cd到模型存储文件夹级路径下

深度学习在移动端的应用是越来越广泛，由于移动端的运算力与服务器相比还是有差距，所以在移动端部署深度学习模型的难点就在于如何保证模型效果的同时，运行效率也有保证。在实验阶段对于模型结构可以选择大模型，因为该阶段主要是为了验证方法的有效性。在验证完了之后，开始着手部署到移动端，这时候就要精简模型的结构了，一般是对训好的大模型进行剪枝，或者参考现有的比如MobileNetV2和ShuffleNetV2等

拉取官方项目gitclonehttps://github.com/awslabs/multi-model-server.git拉起官方镜像:dockerpullawsdeeplearningteam/mxnet-model-s

不限制深度学习框架内置tensorflowpytorchmxnet等常见深度学习框架，有两种访问模式，jupyterlab交互模式，vscode访问模式。

龟龟是最可爱的小猫咪环境：cuda9.0&cudnn7.0.5InstallmxnetforcpppackageinTX2isnotthateasyRecordhereformyexperience.Steps

参考文档http://mxnet.incubator.apache.org/install/index.htmlmxnet官方install手册本文档涉及到的目标硬件为全志H8(8核Cortex-A7，

CommonFiles>VMware>Drivers直接下载对应vSphere版本的,然后安装再去路径下找新建VM注意事项硬盘类型选择：精简置备磁盘控制类型：VMwave准虚拟网卡类型：VMXNET3

Netron支持ONNX、TensorFlowLite、Caffe、Keras、Darknet、PaddlePaddle、ncnn、MNN、CoreML、RKNN、MXNet、MindSporeLite

之前看mxnet，奇怪为什么可以写写成这个样子load.add_attr("xxx",1).get_add().add_attr().simplify()coutcout.operatorreal;}从设计者的角度去思考问题

1、安装环境：pipinstallmxnet,python-opencv,tqdm2、对齐矫正人脸并裁剪3、用insightface计算相似度，无需安装insightface等，两个脚本即可：'''face_analysis.py

训练数据集包括已标准化的MS1M、VGG2和CASIA-Webface数据集，这些数据集已经打包为MXNet二进制格式。

DPDK网络DPDK基础知识多队列网卡，vmxnet/e1000igb_uio与vfio模块kni模块hugepage的理解零拷贝dpdk与netmap区别d

深度学习时代，网络的加深使得对训练数据集规模的依赖更胜以往。学术界较成功的大规模数据集通常围绕基础性的一般认知问题，离有日常有体感的应用场景较远。时尚与人们日常生活息息相关，但行业大量内容仍然依赖人工编辑。通过引入人工智能技术来提升效率，让机器来认知时尚将是一个有趣且有用的课题。近期，阿里巴巴图像和美团队与香港理工大学纺织及制衣学系联合举办了2018FashionAI全球挑战赛，并在比赛中开放的F

图1.2TensorFlow、PyTorch、MXNet、Caffe和PaddlePaddle的Google指

（1）熟悉Python语言、了解一个深度学习框架（Pytorch、Tensorflow或MXNet）；（2)熟悉简单的机器学习模型，如LR、SVM、HMM、正则化等；（3)熟悉简单的深度学习模型，如word2vec

Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU)Yolov--3--TensorRT中yolov3性能优化加速（基于caffe）yolov-5-目标检测：YOLOv2算法原理详解yolov--8--Tensorflow实现YOLOv3yolov--9--YOLOv3的剪枝优化yolov--10--目标检测模型的参数评估指标详解、概念解析yolov--12

深度学习之TensorFlow（一）——基本使用一、目前主流的深度学习框架Caffe,TensorFlow,MXNet,Torch,Theano比较库名称开发语言速度灵活性文档适合模型平台上手难易Caffec

支持深度学习框架，基于TensorFlow、MXNet、PyTorch、Caffe等一系列框架的网络模型，可以轻松转换，赋能各类AI场景。

模型部署准备默认部署Keras模型自定义部署Keras模型总结参考Keras简介Keras是一套由Python实现的高级神经网络API，可以基于不同的后台（backend）实现，包括TensoreFlow，CNTK，MXNet

在深度学习领域的五大巨头里，它们都各自力挺一种深度学习框架：谷歌有自家的TensorFlow、Facebook有Pytorch、百度有PaddlePaddle、微软有CNTK、亚马逊的AWS则有MXNet

比如:现在tensorflow和mxnet很火，是否还有必要学习scikit-learn等框架？就

不限制深度学习框架内置tensorflowpytorchmxnet等常见深度学习框架。多说无益，直接使用吧。

目前市面上主流的深度学习框架TensorFlow、pytorch、MxNet都是以Python语言为主，Java工程师们想要利用自己的优势开发一款深度学习应用绝非易事；通过本篇文章我们将解决这个问题，用极少的代码实现一个图片分类服务场景

目录安装依赖库命令依赖库Codemao库安装例子安装依赖库这个库的依赖库有：keras-mxnetdlibmxnet

3.机器学习领域的第三方库有MXNetTensorflowPyTorch4.numpy包含矩阵运算，是Python语言中数据分析方向的第三方库，numpy、scipy和pandas是Python语言中数据分析方向的第三方库

通常我们在训练模型时可以使用很多不同的框架，比如有的同学喜欢用Pytorch，有的同学喜欢使用TensorFLow，也有的喜欢MXNet，以及深度学习最开始流行的Caffe等等，这样不同的训练框架就导致了产生不同的模型结果包

TensorFlow与MXNet、PyTorch很相似，上手速度很快（相比于TensorFlow1.x）。

小型人工智能计算机，可并行处理如TensorFlow、PyTorch、Caffe/Caffe2、Keras、MXNet等神经网络。3.

本文记录基于mxnet训练得到的resnet50模型在转为onnx格式部署时发生的两个错误及解决办法batchnorm层spatial参数不识别batchnorm层定义fix_gamma=True导致的

一、基本概念N维数组:也称为张量（tensor）,无论哪个深度学习框架，它的张量类（在MXNet中为ndarray，在PyTorch和Tenso

mxnet常见加载数据的方式可用于数据训练的数据格式：.rec文件rawimage,.lst文件，用mx.image.ImageIter接口读取，这个接口也可读.rec的文件大概过程：传dataiter

mxnet安装先贴出官网的教程：https://mxnet.apache.org/versions/1.7.0/get_started?

前言：本人最近在学习mxnet，说实话，李沐老师出的这本书，真心不错，可惜自己原有的笔记本配置运行速度太慢。于是换了一个台式机，装了一个显卡。

windows下安装miniconda百度搜索miniconda或者anaconda，在官网上下载到清华大学开源镜像站下载复制下载地址https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/901到浏览器中打开，然后下拉到最底部，找到下面这个软件包：Miniconda3-latest-Windows-x86_64.exe接下来就是按照提示一直

sudoapt-getupdatesudoapt-getinstall-ypython3python3-pip确认当前计算机CUDA版本（nvcc--version），如果没有CUDA，则参考cuda安装及版本切换方法，cudnn安装方法安装MXNet

conda安装mxnet遇到问题总结最近在跑一个GitHub项目时要用到mxnet库，本以为安装就是conda/pipinstallmxnet的事，没想到安装mxnet却花费了近两天的时间，过程极其煎熬

1.下载VisualStudioCommunity2019VisualStudio2019系统要求|MicrosoftLearn2.安装CUDA、cuDNNCUDAToolkit-FreeToolsandTraining|NVIDIADeveloperCUDADeepNeuralNetwork(cuDNN)|NVIDIADeveloper【Windows11】Cuda和Cudnn详细安装教程_Ji

miniconda创建新环境出错错误1：在prompt创建新环境是报错：CondaHTTPError:HTTP000CONNECTIONFAILEDforurlElapsed:-AnHTTPerroroccurredwhentryingtoretrievethisURL.HTTPerrorsareoftenintermittent,andasimpleretrywillgetyouonyourwa

###安装过程##一、安装minicond3###1.1下载安装包地址用命令运行bashMiniconda3-latest-Linux-x86_64.sh然后运行命令conda表明conda安装成功###1.2.添加conda的镜像服务器因为conda下载文件要用到国外的服务器，速度一般会比较慢，我们可以通过增加一个清华的镜像服务器来解决。输入下面两条命令即可。condaconfig--addch

需求：利用jupyter使用mxnet库来学习深度学习现状：1.python3.8（非python3.6）2.安装巨多红字，报错通过anaconda建立一个虚拟环境在anacondaPrompt中操作1.1

condadeactivate2、清空python控制台代码：importOSOS.system('cls')3、进入和退出python：进入：python退出：quit()4、打印模块内的类和函数，dir()：frommxneti

其它深度软件库对标产品PyTorch(Facebook)CaffeMXNetTF

Git一般有很多分支，我们clone到本地的时候一般都是master分支.1.查看本地及远程分支$gitbranch-a我在mxnet根目录下运行以上命令：$gitbranch-a*Englishmasterremotes

机器翻译就是将一种语言翻译成另外一种语言，输入和输出的长度都是不定长的，所以这里会主要介绍两种应用，编码器-解码器以及注意力机制。编码器是用来分析输入序列，解码器用来生成输出序列。其中在训练时，我们会使用一些特殊符号来表示，表示序列开始(beginningofsequence)，表示序列的终止(endofsequence)，表示未知符，以及用于补充句子长度的填充符号。编码器的作用是将一个不定长的输

本人对于MXNet官方文档的github翻译页面：https://github.com/ironyoung/mxnet/blob/master/docs/tutorials/computer_vision

这节主要就是熟悉MXNet框架中的两种模型：GloVe和FastText的模型(词嵌入名称)，每个模型下面有很多不同的词向量，这些基本都来自wiki维基百科和twitter推特这些子集预训练得到的。

下面是这节将需要导入的包跟模块importd2lzhasd2lfrommxnetimportgluon,init,ndf

在上一节的情感分类当中，有些评论是负面的，但预测的结果是正面的，比如，"thismoviewasshit"这部电影是狗屎，很明显就是对这部电影极不友好的评价，属于负类评价，给出的却是positive。所以这节我们通过专门的“分词”和“扩大词向量维度”这两个途径来改进，提高预测的准确率。spaCy分词我们用spaCy分词工具来进行分词看是否能提高准确性。推荐带上镜像站点来下载并安装。pipinsta

文本分类类似于图片分类，也是很常见的一种分类任务，将一段不定长的文本序列变换为文本的类别。这节主要就是关注文本的情感分析(sentimentanalysis)，对电影的评论进行一个正面情绪与负面情绪的分类。整理数据集第一步都是将数据集整理好，这里我们使用"大型电影评论数据集"LMDB(LargeMovieReviewDatasetv1.0)，该数据集包含电影评论及其相关二进制情感标签。标签的整体分