So konfigurieren Sie optimierte Machine Learning-Inferenz mit der AWS Management Console

Installieren von Updates für Raspbian.

sudo apt-get update
sudo apt-get dist-upgrade

Installieren Sie die picamera-Schnittstelle für das Kameramodul und andere Python-Bibliotheken, die für dieses Tutorial erforderlich sind.

sudo apt-get install -y python3-dev python3-setuptools python3-pip python3-picamera

Überprüfen Sie die Installation:

Starten Sie den Raspberry Pi neu.

sudo reboot

Öffnen Sie das Raspberry Pi-Konfigurations-Tool.

sudo raspi-config

Verwenden Sie die Pfeiltasten zum Öffnen von Interfacing Options (Verbindungsoptionen) und aktivieren Sie die Kameraschnittstelle. Wenn Sie dazu aufgefordert werden, lassen Sie den Neustart des Geräts zu.

Geben Sie den folgenden Befehl ein, um die Einrichtung der Kamera zu testen.

raspistill -v -o test.jpg

So werden ein Vorschaufenster im Raspberry Pi geöffnet, ein Bild mit dem Namen test.jpg in Ihrem aktuellen Verzeichnis gespeichert und Informationen über die Kamera im Raspberry Pi-Terminal angezeigt.

Melden Sie sich per Fernzugriff bei Ihrem Raspberry Pi an.

ssh pi@your-device-ip-address

Öffnen Sie die DLR-Dokumentation, öffnen Sie Installing DLR und suchen Sie die Wheel-URL für Raspberry Pi-Geräte. Folgen Sie dann den Anweisungen, um die DLR auf Ihrem Gerät zu installieren. Sie können beispielsweise pip verwenden:

pip3 install rasp3b-wheel-url

Überprüfen Sie nach der Installation der DLR die folgende Konfiguration:

Laden Sie auf Ihrem Computer das DLR-Beispiel für Raspberry Pi von Beispiele für Machine Learning herunter.

Entpacken Sie die heruntergeladene dlr-py3-armv7l.tar.gz-Datei.

cd path-to-downloaded-sample
tar -xvzf dlr-py3-armv7l.tar.gz

Das examples-Verzeichnis im extrahierten Beispielpaket enthält Funktionscode und Abhängigkeiten.

Komprimieren Sie den Inhalt des examples-Verzeichnisses in eine Datei namens optimizedImageClassification.zip. Dies ist das Bereitstellungspaket.

cd path-to-downloaded-sample/dlr-py3-armv7l/examples
zip -r optimizedImageClassification.zip .

Das Bereitstellungspaket enthält den Funktionscode und die Abhängigkeiten. Dazu gehört auch der Code, der die -Python-APIs der Neo-Deep-Learning-Laufzeit aufruft, um die Inferenz mit den Deep-Learning-Compiler

Fügen Sie nun die Lambda-Funktion zur Greengrass-Gruppe hinzu.

Wählen Sie auf der Seite Lambda-KonsoleFunktionenund wähleFunktion erstellen.

Klicken Sie aufAuthor from scratchund verwenden Sie die folgenden Werte zum Erstellen der Funktion:

FürBerechtigungenverwenden Sie die Standardeinstellung bei. Dadurch wird eine Ausführungsrolle erstellt, die grundlegende Lambda-Berechtigungen gewährt. Diese Rolle wird nicht verwendet vonAWS IoT Greengrass.

Wählen Sie Create function (Funktion erstellen).

Auf derCodeunterQuellcode, wählenHochladen von. Wählen Sie aus der Dropdown-Liste die Option.Zip-Datei.

Wählen Sie IhreoptimizedImageClassification.zipBereitstellungspaket, und wählen Sie dannSave.

Auf derCodefür die Funktion, unterRuntime-Einstellungen, wählenBearbeiten, und geben Sie dann die folgenden Werte ein.

Wählen Sie Save (Speichern) aus.

Wählen Sie im Menü Actions die Option Publish new version aus.

Geben Sie unter Version description (Versionsbeschreibung) den Wert First version ein und wählen Sie dann Publish (Veröffentlichen) aus.

Auf deroptimizedImageClassification: 1-Konfigurationsseite, von derAktionen-Menü, AuswahlErstellen eines Alias.

Geben Sie auf der Seite Create a new alias folgende Werte an:

Wählen Sie Create (Erstellen) aus.

Fügen Sie nun die Lambda-Funktion zur Greengrass-Gruppe hinzu.

In derAWS IoTNavigationsbereich der -Konsole unterVerwalten, vektorGreengrass-Geräteund wählen Sie und anschließend ausGruppen (V1).

Wählen Sie auf der Gruppenkonfigurationsseite die OptionLambda-Funktionenund wählen SieAdd.

Wählen Sie das SymbolLambda-Funktionund selectoptimizedImageClassification.

Auf derVersioning der Lambda-Funktion, wählen Sie den Alias für die Version, die Sie veröffentlicht haben.

In derKonfiguration der Lambda-Funktiondie folgenden Änderungen vor.

1. So laufen Sie ohne Containerisierung aus:

   • FürSystembenutzer und Gruppe, wählenAnother user ID/group ID. FürSystembenutzer-IDden Wert ein.0. FürSystemgruppen-IDden Wert ein.0.

     Dadurch kann Ihre Lambda-Funktion als root ausgeführt werden. Weitere Informationen zur Ausführung als Root finden Sie unterFestlegen der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe.

     Tipp

     Sie müssen auch Ihreconfig.json-Datei, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Die -Prozedur finden Sie unterAusführen einer Lambda-Funktion als Root.

   • FürContainerisierung der Lambda-Funktion, wählenKein Container.

     Weitere Informationen zum Ausführen ohne Containerisierung finden Sie unterÜberlegungen bei der Auswahl der Containerisierung von Lambda-Funktionen.

   • Geben Sie in Timeout (Zeitüberschreitung) 10 seconds ein.

   • FürPinned, wählenWahr.

     Weitere Informationen finden Sie unter Lebenszykluskonfiguration für Greengrass-Lambda-Funktionen.

   • UNDERZusätzliche Parameter, fürLesezugriff auf das /sys-Verzeichnis, wählenEnabled.

2. Um stattdessen im Containermodus zu laufen:

   Anmerkung

   Wir empfehlen, nicht im Containermodus auszuführen, es sei denn, Ihr Geschäftsfall erfordert dies.

   • FürSystembenutzer und Gruppe, wählenVerwenden Sie Gruppenstandard.

   • FürContainerisierung der Lambda-Funktion, wählenVerwenden Sie Gruppenstandard.

   • Geben Sie in Memory Limit (Speicherlimit) 1024 MB ein.

   • Geben Sie in Timeout (Zeitüberschreitung) 10 seconds ein.

   • FürPinned, wählenWahr.

     Weitere Informationen finden Sie unter Lebenszykluskonfiguration für Greengrass-Lambda-Funktionen.

   • UNDERZusätzliche Parameter, fürLesezugriff auf das /sys-Verzeichnis, wählenEnabled.

Klicken Sie aufHinzufügen einer Lambda-Funktion.

Navigieren Sie auf Ihrem Computer zum resnet50-Verzeichnis im Beispielpaket, das Sie in Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion entpackt haben.

cd path-to-downloaded-sample/dlr-py3-armv7l/models/resnet50

Dieses Verzeichnis enthält vorkompilierte Modellartefakte für ein mit Resnet-50 trainiertes Bildklassifikationsmodell.

Komprimieren Sie die Dateien innerhalb des resnet50-Verzeichnisses in eine Datei namens resnet50.zip.

zip -r resnet50.zip .

Auf der Gruppenkonfigurationsseite fürAWS IoT GreengrassGruppe aus und wählen Sie dieRessourcen-Registerkarte. Navigieren Sie zum Abschnitt Machine Learning und wählen Sie Add machine learning resource (Maschinelle Lernressource hinzufügen) aus. Geben Sie auf der Seite Eine maschinelle Lernressource erstellen für Ressourcenname resnet50_model ein.

FürModel-Quelle, wählenVerwenden Sie ein in S3 gespeichertes Modell, z. B. ein mit Deep Learning Compiler optimiertes Modell.

UNDERVEKTOR, wählenDurchsuchen von S3.

Wählen Sie Upload a model (Ein Modell hochladen).

Laden Sie auf der Registerkarte der Amazon S3 -Konsole Ihre ZIP-Datei in einen Amazon S3 Bucket hoch. Weitere Informationen finden Sie unterWie lade ich Dateien und Ordner in einen S3-Bucket hoch?imAmazon Simple Storage Service — Benutzerhandbuch.

In derAWS IoT Greengrassauf der Registerkarte der -Konsole Ihren Amazon S3 S3-Bucket und wählen Sie ihn aus. Suchen Sie Ihre hochgeladene Datei resnet50.zip und wählen Sie Select (Auswählen). Möglicherweise müssen Sie die Seite aktualisieren, um die Liste der verfügbaren Buckets und Dateien zu aktualisieren.

In :Zielpfadden Wert ein./ml_model.

Dies ist das Ziel für das lokale Modell im Lambda-Laufzeit-Namespace. Wenn Sie die Gruppe bereitstellen, ruft AWS IoT Greengrass das Quellmodellpaket ab und extrahiert dann den Inhalt in das angegebene Verzeichnis.

Wenn es im Containermodus ausgeführt wird:

1. UNDEREigentümer der Systemgruppe und Dateizugriffsberechtigungen, wählenGeben Sie die Systemgruppe und Berechtigungen an.

2. Klicken Sie aufSchreibgeschützter Zugriffund wählen Sie dannRessource hinzufügen.

Wählen Sie auf der Gruppenkonfigurationsseite die OptionRessourcen-Registerkarte.

Auf derLokale Ressourcen-Registerkarte aus.Hinzufügen einer lokalen Ressource.

Auf derHinzufügen einer lokalen Ressourcedie folgenden Werte:

Wählen Sie unten auf der SeiteRessource hinzufügen.

FromRessourceneine weitere lokale Ressource erstellen, indem SieAddund verwenden Sie die folgenden Werte:

Wählen Sie Add resource (Ressource hinzufügen) aus.

Wählen Sie auf der Gruppenkonfigurationsseite die OptionAbonnementsund wählen Sie und wählen Sie dann ausAbo hinzufügen.

Auf derErstellen eines Abonnementsdie Quelle und das Ziel wie folgt:

1. In :Ressourcentyp, wählenLambda-Funktionund wählen Sie und anschließend ausoptimizedImageClassification.

2. In :Zieltyp, wählenServiceund wählen Sie und anschließend ausIoT Cloud.

3. In derThemenfilterden Wert ein./resnet-50/predictionsund wählen Sie und anschließend ausErstellen eines Abonnements.

Hinzufügen eines zweiten Abonnements. Wählen Sie das SymbolAbonnements-Registerkarte aus.Abo hinzufügen, und konfigurieren Sie die Quelle und das Ziel wie folgt:

1. In :Ressourcentyp, wählenServicesund wählen Sie und anschließend ausIoT Cloud.

2. In :Zieltyp, wählenLambda-Funktionund wählen Sie und anschließend ausoptimizedImageClassification.

3. In derThemenfilterden Wert ein./resnet-50/testund wählen Sie und anschließend ausErstellen eines Abonnements.

Stellen Sie sicher, dass dieAWS IoT Greengrasscore läuft. Führen Sie im Raspberry Pi-Terminal die folgenden Befehle aus, falls nötig.

1. So prüfen Sie, ob der Daemon ausgeführt wird:

   ps aux | grep -E 'greengrass.*daemon'

   Wenn die Ausgabe einen root-Eintrag für /greengrass/ggc/packages/latest-core-version/bin/daemon enthält, dann wird der Daemon ausgeführt.

2. So starten Sie den Daemon:

   cd /greengrass/ggc/core/
   sudo ./greengrassd start

Wählen Sie auf der Gruppenkonfigurationsseite die OptionBereitstellen.

Auf derLambda-Funktionen, wählen SieIPdetektorund wähleBearbeiten.

FromEinstellungen für IP-Detektor bearbeitenund wählen Sie aus.Automatisches Erkennen und Überschreiben von MQTT-Broker-und wähleSave.

Damit können Geräte automatisch Core-Verbindungsinformationen abrufen, z. B. die IP-Adresse, DNS und die Portnummer. Die automatische Ermittlung wird empfohlen, aber AWS IoT Greengrass unterstützt auch manuell angegebene Endpunkte. Sie werden nur bei der ersten Bereitstellung der Gruppe zur Angabe der Ermittlungsmethode aufgefordert.

Auf der Seite Deployments werden der Zeitstempel, die Versions-ID und der Status der Bereitstellung angegeben. Nach abgeschlossener Bereitstellung sollte der StatusCompleted (Abgeschlossen).

Weitere Informationen zu Bereitstellungen finden Sie unterBereitstellen von AWS IoT Greengrass-Gruppen für einen AWS IoT Greengrass Core. Hilfe zur Problembehebung finden Sie unter Fehlerbehebung für AWS IoT Greengrass.

Auf derAWS IoTKonsolen-Startseite, unterTest, wählenMQTT-Test-Client.

FürAbonnements, wählenAbonnieren eines Themas. Verwenden Sie die folgenden Werte. Übernehmen Sie für die verbleibenden Optionen die Standardwerte.

Wählen Sie Subscribe aus.

Klicken Sie aufVeröffentlichung für ein Themaden Wert ein./resnet-50/testwie derTopic-Nameund wähleVeröffentlichen.

Wenn der Test erfolgreich ist, veranlasst die veröffentlichte Nachricht die Raspberry Pi-Kamera, ein Bild aufzunehmen. Eine Meldung der Lambda-Funktion erscheint unten auf der Seite. Diese Meldung enthält das Vorhersageergebnis des Bildes im Format: vorhergesagter Klassenname, Wahrscheinlichkeit und maximaler Speicherverbrauch.

Laden Sie statische PNG- oder JPG-Bilder für die Lambda-Funktion herunter, um die Bildklassifizierung durchzuführen. Das Beispiel funktioniert am besten mit kleinen Bilddateien.

Speichern Sie Ihre Bilddateien in dem Verzeichnis mit der inference.py-Datei (oder in einem Unterverzeichnis dieses Verzeichnisses). Dies ist im Bereitstellungspaket für Lambda-Funktionen enthalten, das Sie in hochgeladen habenSchritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion.

Bearbeiten Sie die Konfiguration der Lambda-Funktion. Folgen Sie dem Verfahren unter Schritt 4: Hinzufügen der Lambda-Funktion zur Greengrass-Gruppe.

1. So laufen Sie ohne Containerisierung aus:

   • FürSystembenutzer und Gruppe, wählenAnother user ID/group ID. FürSystembenutzer-IDden Wert ein.0. FürSystemgruppen-IDden Wert ein.0.

     Dadurch kann Ihre Lambda-Funktion als root ausgeführt werden. Weitere Informationen zur Ausführung als Root finden Sie unterFestlegen der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe.

     Tipp

     Sie müssen auch Ihreconfig.json-Datei, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Die -Prozedur finden Sie unterAusführen einer Lambda-Funktion als Root.

   • FürContainerisierung der Lambda-Funktion, wählenKein Container.

     Weitere Informationen zum Ausführen ohne Containerisierung finden Sie unterÜberlegungen bei der Auswahl der Containerisierung von Lambda-Funktionen.

   • Erhöhen Sie den Wert für Timeout auf 2 Minuten. Dies stellt sicher, dass die Zeit für die Anforderung nicht zu schnell überschritten wird. Nach der Einrichtung dauert es einige Minuten, bis die Inferenz ausgeführt wird.

   • FürPinned, wählenWahr.

   • UNDERZusätzliche Parameter, fürLesezugriff auf das /sys-Verzeichnis, wählenEnabled.

2. Um stattdessen im Containermodus zu laufen:

   Anmerkung

   Wir empfehlen, nicht im Containermodus auszuführen, es sei denn, Ihr Geschäftsfall erfordert dies.

   • Erhöhen Sie den Wert für Speicherlimit auf 3000 MB.

   • Erhöhen Sie den Wert für Timeout auf 2 Minuten. Dies stellt sicher, dass die Zeit für die Anforderung nicht zu schnell überschritten wird. Nach der Einrichtung dauert es einige Minuten, bis die Inferenz ausgeführt wird.

   • FürPinned, wählenWahr.

   • UNDERZusätzliche Parameter, fürLesezugriff auf das /sys-Verzeichnis, wählenEnabled.

Fügen Sie Ihrer Neo-optimierten Modellressource der Gruppe hinzu. Laden Sie die Modellressourcen in das resnet50-Verzeichnis des Beispielpakets hoch, das Sie in Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion entpackt haben. Dieses Verzeichnis enthält vorkompilierte Modellartefakte für ein mit Resnet-50 trainiertes Bildklassifikationsmodell. Folgen Sie dem Verfahren unter Schritt 5: Hinzufügen einer SageMaker Neo-optimierte Modellressource für die Greengrass-Gruppe mit den folgenden Updates:

Wenn es im Containermodus ausgeführt wirddie erforderliche lokale Geräteressource hinzu, um Zugriff auf die GPU Ihres Geräts zu gewähren.

1. Wählen Sie auf der Gruppenkonfigurationsseite die OptionRessourcen-Registerkarte.

2. In derLokale Ressourcenund wählen Sie aus.Hinzufügen einer lokalen Ressource.

3. Definieren Sie die Ressource:

   • Geben Sie für Resource name (Ressourcenname) renderD128 ein.

   • Wählen Sie in Resource type (Ressourcentyp) die Option Device (Gerät) aus.

   • FürLokaler Gerätepfadden Wert ein./dev/dri/renderD128.

   • FürEigentümer der Systemgruppe und Dateizugriffsberechtigungen, wählenAutomatisch Dateisystemberechtigungen der Systemgruppe hinzufügen, zu der die Ressource gehört.

Stellen Sie sicher, dass Ihr Jetson-Gerät konfiguriert ist, damit Sie die AWS IoT Greengrass Core-Software installieren und die GPU für Inferenzzwecke verwenden können. Weitere Informationen zur Konfiguration des Geräts finden Sie unter Einrichten anderer Geräte. Um die GPU für Inferenzzwecke auf einem NVIDIA Jetson TX2 zu verwenden, müssen Sie CUDA 10.0 und cuDNN 7.0 auf Ihrem Gerät installieren, wenn Sie Ihr Board mit Jetpack 4.3 abbilden.

Laden Sie statische PNG- oder JPG-Bilder für die Lambda-Funktion herunter, um die Bildklassifizierung durchzuführen. Das Beispiel funktioniert am besten mit kleinen Bilddateien.

Speichern Sie Ihre Abbilddateien in dem Verzeichnis, das die inference.py-Datei enthält. Sie können sie auch in einem Unterverzeichnis dieses Verzeichnisses speichern. Dieses Verzeichnis ist im Bereitstellungspaket für Lambda-Funktionen enthalten, das Sie in hochgeladen habenSchritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion.

Bearbeiten Sie die Konfiguration der Lambda-Funktion. Folgen Sie dem Verfahren unter Schritt 4: Hinzufügen der Lambda-Funktion zur Greengrass-Gruppe.

1. So laufen Sie ohne Containerisierung aus:

   • FürRun as (Ausführen als), wählenAnother user ID/group ID. FürUIDden Wert ein.0. FürGUIDden Wert ein.0.

     Dadurch kann Ihre Lambda-Funktion als root ausgeführt werden. Weitere Informationen zur Ausführung als Root finden Sie unterFestlegen der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe.

     Tipp

     Sie müssen auch Ihreconfig.json-Datei, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Die -Prozedur finden Sie unterAusführen einer Lambda-Funktion als Root.

   • FürContainerisierung der Lambda-Funktion, wählenKein Container.

     Weitere Informationen zum Ausführen ohne Containerisierung finden Sie unterÜberlegungen bei der Auswahl der Containerisierung von Lambda-Funktionen.

   • Erhöhen Sie den Wert für Timeout auf 5 Minuten. Dies stellt sicher, dass die Zeit für die Anforderung nicht zu schnell überschritten wird. Nach der Einrichtung dauert es einige Minuten, bis die Inferenz ausgeführt wird.

   • FürPinned, wählenWahr.

   • UNDERZusätzliche Parameter, fürLesezugriff auf das /sys-Verzeichnis, wählenEnabled.

2. Um stattdessen im Containermodus zu laufen:

   Anmerkung

   Wir empfehlen, nicht im Containermodus auszuführen, es sei denn, Ihr Geschäftsfall erfordert dies.

   • Erhöhen Sie den Wert für Speicherlimit. Für die Verwendung des bereitgestellten Modells im GPU-Modus verwenden Sie mindestens 2000 MB.

   • Erhöhen Sie den Wert für Timeout auf 5 Minuten. Dies stellt sicher, dass die Zeit für die Anforderung nicht zu schnell überschritten wird. Nach der Einrichtung dauert es einige Minuten, bis die Inferenz ausgeführt wird.

   • FürPinned, wählenWahr.

   • UNDERZusätzliche Parameter, fürLesezugriff auf das /sys-Verzeichnis, wählenEnabled.

Fügen Sie Ihrer Neo-optimierten Modellressource der Gruppe hinzu. Laden Sie die Modellressourcen in das resnet18-Verzeichnis des Beispielpakets hoch, das Sie in Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion entpackt haben. Dieses Verzeichnis enthält vorkompilierte Modellartefakte für ein mit Resnet-18 geschultes Bildklassifikationsmodell. Folgen Sie dem Verfahren unter Schritt 5: Hinzufügen einer SageMaker Neo-optimierte Modellressource für die Greengrass-Gruppe mit den folgenden Updates:

Wenn es im Containermodus ausgeführt wirddie erforderlichen lokalen Geräteressourcen hinzu, um Zugriff auf die GPU Ihres Geräts zu gewähren.

1. Wählen Sie auf der Gruppenkonfigurationsseite die OptionRessourcen-Registerkarte.

2. In derLokale Ressourcenund wählen Sie aus.Hinzufügen einer lokalen Ressource.

3. Definieren Sie die einzelnen Ressourcen:

   • Verwenden Sie für Resource name (Ressourcenname) und Device path (Gerätepfad) die Werte in der folgenden Tabelle. Erstellen Sie für jede Zeile in der Tabelle genau eine Geräteressource.

   • Wählen Sie in Resource type (Ressourcentyp) die Option Device (Gerät) aus.

   • FürEigentümer der Systemgruppe und Dateizugriffsberechtigungen, wählenAutomatisch Dateisystemberechtigungen der Systemgruppe hinzufügen, zu der die Ressource gehört.

      

     Name	Gerätepfad
     nvhost-strg	/dev/nvhost-strg
     nvhost-gpu	/dev/nvhost-gpu
     nvhost-ctrl-gpu	/vvvektornvhost-ctrl-gpu
     nvhost-dbg-gpu	/vvvektornvhost-dbg-gpu
     nvhost-prof-gpu	/vvvektornvhost-prof-gpu
     nvmap	/dev/nvmap
     nvhost-vic	/dev/nvhost-vic
     tegra_dc_ctrl	/dev/tegra_dc_ctrl

Wenn es im Containermodus ausgeführt wirddie folgende lokale Volume-Ressource hinzu, um Zugriff auf die Kamera Ihres Geräts zu gewähren. Folgen Sie dem Verfahren unter Schritt 5: Hinzufügen einer SageMaker Neo-optimierte Modellressource für die Greengrass-Gruppe.

Aktualisieren Sie Ihre Gruppenabonnements, um das richtige Verzeichnis zu verwenden. Folgen Sie dem Verfahren unter Schritt 7: Hinzufügen von Abonnements zur Greengrass-Gruppe mit den folgenden Updates:

Aktualisieren Sie Ihre Testabonnements, um das richtige Verzeichnis zu verwenden. Folgen Sie dem Verfahren unter Testen des Inferenzbeispiels mit den folgenden Updates:

Wechseln Sie zum Root-Benutzer und navigieren Sie zum Verzeichnis log. Der Zugriff auf AWS IoT Greengrass-Protokolle erfordert Root-Berechtigungen.

sudo su
cd /greengrass/ggc/var/log

Checkruntime.logfür Fehler.

cat system/runtime.log | grep 'ERROR'

Sie können auch im benutzerdefinierten Lambda-Funktionsprotokoll nach Fehlern suchen:

cat user/your-region/your-account-id/lambda-function-name.log | grep 'ERROR'

Weitere Informationen finden Sie unter Fehlerbehebung mit Protokollen.

Listen Sie den Inhalt des bereitgestellten Lambdas in/lambda-Verzeichnis. Ersetzen Sie die Platzhalterwerte, bevor Sie den Befehl ausführen.

cd /greengrass/ggc/deployment/lambda/arn:aws:lambda:region:account:function:function-name:function-version
ls -la

Überprüfen Sie, ob das Verzeichnis denselben Inhalt wie das optimizedImageClassification.zip-Bereitstellungspaket enthält, das Sie in Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion hochgeladen haben.

Stellen Sie sicher, dass sich die .py-Dateien und -Abhängigkeiten im Stammverzeichnis befinden.

Finden Sie die Prozessidentifikationsnummer (PID) des Lambda-Laufzeitprozesses:

ps aux | grep lambda-function-name

In der Ausgabe wird die PID in der zweiten Spalte der Zeile für den Lambda-Laufzeitprozess angezeigt.

Geben Sie den Lambda-Laufzeit-Namespace ein Stellen Sie sicher, den pid-Wert des Platzhalters zu ersetzen, bevor Sie den Befehl ausführen.

sudo nsenter -t pid -m /bin/bash

Listen Sie den Inhalt des lokalen Verzeichnisses, das Sie für die ML-Ressource angegeben haben, auf.

cd /ml_model
ls -ls

Die Dateien sollten folgendermaßen aussehen:

    56 -rw-r--r-- 1 ggc_user ggc_group     56703 Oct 29 20:07 model.json
196152 -rw-r--r-- 1 ggc_user ggc_group 200855043 Oct 29 20:08 model.params
   256 -rw-r--r-- 1 ggc_user ggc_group    261848 Oct 29 20:07 model.so
    32 -rw-r--r-- 1 ggc_user ggc_group     30564 Oct 29 20:08 synset.txt