人工智能深度學(xué)習(xí)綜合實(shí)踐 課件6.計(jì)算機(jī)視覺(jué)模型部署-邊緣設(shè)備深度學(xué)習(xí)應(yīng)用案例、7.自然語(yǔ)言處理預(yù)訓(xùn)練模型數(shù)據(jù)準(zhǔn)備-自然語(yǔ)言處理的數(shù)據(jù)集及格式

自然語(yǔ)言處理預(yù)訓(xùn)練模型數(shù)據(jù)準(zhǔn)備自然語(yǔ)言處理模型應(yīng)用課堂導(dǎo)入你知道自然語(yǔ)言處理的主要研究方向是什么嗎？文本分類文本生成信息抽取文本挖掘語(yǔ)音識(shí)別語(yǔ)音合成問(wèn)答系統(tǒng)輿情分析機(jī)器翻譯項(xiàng)目目標(biāo)（1）了解常用的自然語(yǔ)言處理的數(shù)據(jù)集及格式。（2）掌握文本分類數(shù)據(jù)處理方法。（3）掌握文本分類數(shù)據(jù)集加載的方法。項(xiàng)目描述自然語(yǔ)言處理是研究計(jì)算機(jī)處理人類語(yǔ)言的一門技術(shù)，是指讓機(jī)器人理解并解釋人類表達(dá)、說(shuō)話方式的能力，主要研究方向包括：信息抽取、文本生成、問(wèn)答系統(tǒng)、對(duì)話系統(tǒng)、文本挖掘、語(yǔ)音識(shí)別、語(yǔ)音合成、輿情分析、機(jī)器翻譯等。在機(jī)器學(xué)習(xí)中，最為基礎(chǔ)的一項(xiàng)工作就是數(shù)據(jù)準(zhǔn)備。如何將大量的數(shù)據(jù)通過(guò)處理缺失數(shù)據(jù)、處理重復(fù)數(shù)據(jù)和處理異常數(shù)據(jù)等操作，得到數(shù)據(jù)處理和機(jī)器學(xué)習(xí)所需的有效數(shù)據(jù)是一項(xiàng)非常重要的工作。自然語(yǔ)言處理的數(shù)據(jù)集及格式自然語(yǔ)言處理的數(shù)據(jù)集通常有文本類、語(yǔ)音類和圖像類，其中文本類的數(shù)據(jù)集格式主要為txt純文本格式、Json格式以及表格形式等，接下來(lái)將對(duì)部分?jǐn)?shù)據(jù)集及其格式進(jìn)行解釋說(shuō)明。DuEE數(shù)據(jù)集BSTC數(shù)據(jù)集weibo_senti_100k數(shù)據(jù)集八類情感分類數(shù)據(jù)集自然語(yǔ)言處理的數(shù)據(jù)集及格式DuEE是用于事件提取的大規(guī)模通用中文數(shù)據(jù)集。它由17000個(gè)句子組成，其中包含20000個(gè)事件，共65個(gè)事件類型和相應(yīng)的人工注釋參數(shù)。根據(jù)百度的熱門搜索板選擇和確定事件類型。65個(gè)事件類型不僅包括傳統(tǒng)事件提取評(píng)估中的常見(jiàn)事件類型，例如“婚姻，辭職和地震”，還包括具有鮮明的時(shí)間特征的事件類型。數(shù)據(jù)集包含約17000個(gè)句子，其中包括約12000個(gè)句子在訓(xùn)練集中，1500個(gè)在驗(yàn)證集中和3500個(gè)在測(cè)試集中。DuEE數(shù)據(jù)集中采用Json格式表示，示例數(shù)據(jù)格式如圖：1DuEE數(shù)據(jù)集自然語(yǔ)言處理的數(shù)據(jù)集及格式BSTC（BaiduSpeechTranslationCorpus，百度語(yǔ)音翻譯語(yǔ)料庫(kù)）是用于自動(dòng)同聲傳譯的大規(guī)模數(shù)據(jù)集。BSTC1.0版包含50個(gè)小時(shí)的真實(shí)演講，包括三個(gè)部分，音頻文件，描述文件和補(bǔ)充文件。語(yǔ)料庫(kù)可用于構(gòu)建自動(dòng)同聲傳譯系統(tǒng)。語(yǔ)料庫(kù)是從中國(guó)普通話的談話和報(bào)道中收集的，包括科學(xué)，技術(shù)，文化，經(jīng)濟(jì)等。BSTC數(shù)據(jù)集中的描述文件采用Json格式表示，示例數(shù)據(jù)格式如下：2BSTC數(shù)據(jù)集自然語(yǔ)言處理的數(shù)據(jù)集及格式2BSTC數(shù)據(jù)集自然語(yǔ)言處理的數(shù)據(jù)集及格式另外補(bǔ)充文件包括talks.txt和speakers.txt，兩個(gè)文件都采用txt格式表示，示例數(shù)據(jù)格式表示如下：talks.txt2BSTC數(shù)據(jù)集speakers.txt自然語(yǔ)言處理的數(shù)據(jù)集及格式weibo_senti_100k數(shù)據(jù)集的數(shù)據(jù)來(lái)源于新浪微博的各種評(píng)論，共10萬(wàn)多條數(shù)據(jù)。數(shù)據(jù)格式為：微博內(nèi)容”review“，帶情感標(biāo)注”label“，1表示正向評(píng)論，0表示負(fù)向評(píng)論，正負(fù)向評(píng)論各5萬(wàn)條數(shù)據(jù)。weibo_senti_100k數(shù)據(jù)集采用表格格式表示，示例數(shù)據(jù)格式如下：3weibo_senti_100k數(shù)據(jù)集labelreview620500太過(guò)分了@Rexzhenghao//@Janie_Zhang:最近負(fù)面新聞越來(lái)越多呀...682630希望你?得好?我本＂??史＂[暈][哈哈]@Pete三姑父420211[給力]感謝所有支持的芝麻！[愛(ài)你]777712013最后一天，在新加坡開心度過(guò)，向所有的朋友們問(wèn)聲：新年快樂(lè)！2014年，我們會(huì)更好[調(diào)...1003990大中午出門辦事找錯(cuò)路，曝曬中。要多杯具有多杯具。[淚][淚][汗]247981[抱抱]

吉祥書8.8折優(yōu)惠>>>自然語(yǔ)言處理的數(shù)據(jù)集及格式八類情感分類數(shù)據(jù)集的數(shù)據(jù)來(lái)源主要是微博上的一些評(píng)論內(nèi)容，共26462條數(shù)據(jù)。數(shù)據(jù)集文件存放在實(shí)訓(xùn)平臺(tái)”data“目錄下，文件名為”moods_classify8_unprocessed.xlsx“，包含缺失值、重復(fù)值和異常值。數(shù)據(jù)標(biāo)簽如表格所示：4八類情感分類數(shù)據(jù)集labelsplit0.0none1.0like2.0disgust3.0happiness4.0sadness5.0anger6.0surprise7.0fear自然語(yǔ)言處理的數(shù)據(jù)集及格式情感分類數(shù)據(jù)集目錄在本次情感分類數(shù)據(jù)準(zhǔn)備中，實(shí)訓(xùn)平臺(tái)的“data”目錄下只存放了“moods_classify8_unprocessed.xlsx”數(shù)據(jù)集文件，為了使數(shù)據(jù)能夠輸入到模型當(dāng)中，需要將數(shù)據(jù)集目錄生成為以下格式，目錄中包含訓(xùn)練集數(shù)據(jù)文件train.txt和測(cè)試集數(shù)據(jù)文件test.txt，測(cè)試數(shù)據(jù)集用于測(cè)試和驗(yàn)證。但在實(shí)際項(xiàng)目中，可以根據(jù)具體需求，額外再生成驗(yàn)證集數(shù)據(jù)文件用于驗(yàn)證。4八類情感分類數(shù)據(jù)集自然語(yǔ)言處理的數(shù)據(jù)集及格式情感分類數(shù)據(jù)集文件格式和內(nèi)容生成的訓(xùn)練集、驗(yàn)證集和測(cè)試集的數(shù)據(jù)文件的編碼格式建議為utf-8格式。內(nèi)容的第一列是文本類別標(biāo)簽，第二列為文本內(nèi)容，列與列之間以Tab鍵分隔。建議在數(shù)據(jù)集文件第一行填寫列說(shuō)明"label"和"text"，中間以Tab鍵分隔，示例如下：4八類情感分類數(shù)據(jù)集PaddleHub介紹

PaddleHub是一個(gè)深度學(xué)習(xí)模型開發(fā)工具。它提供了可供百億級(jí)大數(shù)據(jù)訓(xùn)練的預(yù)訓(xùn)練模型，利用它可簡(jiǎn)化模型訓(xùn)練和使用的流程。在PaddleHub中可以便捷地獲取這些預(yù)訓(xùn)練模型，完成模型的管理和一鍵預(yù)測(cè)。

通過(guò)PaddleHub，開發(fā)者可以便捷地獲取PaddlePaddle生態(tài)下的所有預(yù)訓(xùn)練模型，包括文本分類模型、詞法分析模型、語(yǔ)義模型、情感分析模型、語(yǔ)言模型、圖像分類模型、目標(biāo)檢測(cè)模型和視頻分類模型等。

PaddleHub介紹

本項(xiàng)目將使用PaddleHub對(duì)數(shù)據(jù)集和模型進(jìn)行加載，并將數(shù)據(jù)集和模型用于后續(xù)的模型訓(xùn)練和部署，通過(guò)以下命令安裝PaddleHub。

PaddleHub安裝完成后就可以通過(guò)調(diào)用PaddleHub集成的各種函數(shù)對(duì)數(shù)據(jù)集和模型進(jìn)行加載。pipinstallpaddlehub

文本分類數(shù)據(jù)處理方法

本項(xiàng)目所使用的8類情感分類數(shù)據(jù)集中，存在許多缺失數(shù)據(jù)、重復(fù)數(shù)據(jù)以及異常數(shù)據(jù)。接下來(lái)介紹使用以下相關(guān)函數(shù)對(duì)這些數(shù)據(jù)進(jìn)行查找和處理，以便后續(xù)進(jìn)行文本數(shù)據(jù)加載和模型訓(xùn)練。

用于進(jìn)行文本數(shù)據(jù)查找和處理的相關(guān)函數(shù)如下。isnull()：查找是否存在缺失數(shù)據(jù)。drop()：刪除數(shù)據(jù)。fillna()：填充缺失數(shù)據(jù)。duplicated()：查找重復(fù)數(shù)據(jù)。drop_duplicates()：刪除重復(fù)數(shù)據(jù)。

查找異常數(shù)據(jù)的常用方法是使用箱線圖，然后將查找到的異常數(shù)據(jù)刪除。文本分類數(shù)據(jù)集加載方法加載自定義數(shù)據(jù)集的流程文本分類數(shù)據(jù)集加載方法

在文本分類數(shù)據(jù)集的加載過(guò)程中，首先需要定義數(shù)據(jù)目錄、數(shù)據(jù)模式以及標(biāo)簽列表，然后根據(jù)指定的數(shù)據(jù)模式讀取相應(yīng)的數(shù)據(jù)文件，接著對(duì)讀取到的文本數(shù)據(jù)進(jìn)行文本分詞和判斷是否包含頭部，再根據(jù)輸入文本的長(zhǎng)度對(duì)文本數(shù)據(jù)進(jìn)行填充和截?cái)嗟葦?shù)據(jù)處理操作，使文本數(shù)據(jù)轉(zhuǎn)化為模型可接收的數(shù)據(jù)形式。文本分詞數(shù)據(jù)填充和截?cái)?102文本分類數(shù)據(jù)集加載方法數(shù)據(jù)填充和截?cái)嗟氖纠龜?shù)據(jù)集加載

自定義數(shù)據(jù)集類需要繼承基類TextClassificationDataset，具體需要進(jìn)行以下設(shè)置。base_path：定義存放數(shù)據(jù)集的根目錄，用于后續(xù)讀取目錄下的數(shù)據(jù)文件。label_list：定義標(biāo)簽列表，列表中的標(biāo)簽與數(shù)據(jù)文本中的標(biāo)簽一致。tokenizer：定義模型文本分詞器，其表示將對(duì)輸入文本完成分詞，將原始輸入文本轉(zhuǎn)化成模型可以接收的輸入數(shù)據(jù)形式。數(shù)據(jù)集加載max_seq_len：定義模型使用的最大序列長(zhǎng)度，即每條數(shù)據(jù)的最大長(zhǎng)度，若出現(xiàn)顯存不足的問(wèn)題，則可適當(dāng)調(diào)低這一參數(shù)。mode：定義數(shù)據(jù)模式，可選項(xiàng)有train、test和val，默認(rèn)值為train，即表示選擇訓(xùn)練集數(shù)據(jù)。data_file：定義讀取指定模式的數(shù)據(jù)文件，根據(jù)所選擇的數(shù)據(jù)模式讀取對(duì)應(yīng)的數(shù)據(jù)文件。is_file_with_header：定義是否包含頭部，設(shè)置為True表示數(shù)據(jù)文件中包含頭部信息如“l(fā)abel”和“text_a”，若設(shè)置為False則表示數(shù)據(jù)文件中不包含頭部信息。處理、拆分和加載情感分類數(shù)據(jù)集實(shí)施思路導(dǎo)入項(xiàng)目所需庫(kù)查看數(shù)據(jù)集處理數(shù)據(jù)集拆分?jǐn)?shù)據(jù)集加載數(shù)據(jù)集知識(shí)拓展

百度閱讀理解數(shù)據(jù)集DuReader是規(guī)模極大的中文開放領(lǐng)域的閱讀理解數(shù)據(jù)集。該數(shù)據(jù)集標(biāo)注了問(wèn)題類別、實(shí)體和觀點(diǎn)等信息，解決了現(xiàn)在主流數(shù)據(jù)集對(duì)主觀觀點(diǎn)覆蓋不足的問(wèn)題。百度公司首批發(fā)布的閱讀理解數(shù)據(jù)集DuReader包含約20萬(wàn)個(gè)問(wèn)題、100萬(wàn)個(gè)文檔及42萬(wàn)條人工撰寫的優(yōu)質(zhì)答案，并提供開源基線系統(tǒng)。DuReader數(shù)據(jù)集可為閱讀理解技術(shù)的研究提供大力支持，有助于加速相關(guān)技術(shù)和應(yīng)用的發(fā)展。計(jì)算機(jī)視覺(jué)模型部署計(jì)算機(jī)視覺(jué)模型應(yīng)用項(xiàng)目目標(biāo)（1）了解計(jì)算機(jī)視覺(jué)模型應(yīng)用案例。（2）掌握PaddleX深度學(xué)習(xí)模型的本地部署方式。（3）了解PaddleX深度學(xué)習(xí)模型的邊緣設(shè)備部署方式。（4）能夠使用PaddleX部署深度學(xué)習(xí)模型并應(yīng)用。課堂導(dǎo)入模型的部署方式本地部署邊緣設(shè)備部署項(xiàng)目描述在訓(xùn)練完深度學(xué)習(xí)模型之后，該如何快速實(shí)現(xiàn)模型的落地部署呢？首先應(yīng)該針對(duì)不同場(chǎng)景的需求，選擇對(duì)應(yīng)的部署方式進(jìn)行部署，部署完成之后對(duì)其進(jìn)行測(cè)試驗(yàn)證。首先是模型的應(yīng)用場(chǎng)景，根據(jù)應(yīng)用場(chǎng)景就可以獲取到對(duì)應(yīng)的性能等要求。應(yīng)用場(chǎng)景基于網(wǎng)絡(luò)基于CPU離線線上基于GPU服務(wù)端部署輕量級(jí)服務(wù)化PaddleLiteOpenVINO樹莓派部署邊緣設(shè)備部署百度PaddleX項(xiàng)目描述百度PaddleX針對(duì)模型部署推出了各種部署方法，如輕量級(jí)服務(wù)化部署、服務(wù)端部署、邊緣設(shè)備部署、PaddleLite移動(dòng)端部署、OpenVINO部署以及樹莓派部署，同時(shí)針對(duì)不同的部署方式，對(duì)于部署的模型要求以及系統(tǒng)環(huán)境要求都有所不同，需要根據(jù)不同的部署方式對(duì)模型進(jìn)行轉(zhuǎn)換，對(duì)環(huán)境進(jìn)行編譯等操作，部署完成之后需要對(duì)模型進(jìn)行預(yù)測(cè)測(cè)試。項(xiàng)目描述對(duì)于本次項(xiàng)目案例，將把前面訓(xùn)練好的垃圾分類模型導(dǎo)出為部署格式，將其保存到指定路徑下，使用單張圖片實(shí)現(xiàn)對(duì)模型的預(yù)測(cè)，若擁有邊緣設(shè)備也可將模型部署到邊緣設(shè)備上，需要經(jīng)過(guò)以下步驟：邊緣設(shè)備深度學(xué)習(xí)應(yīng)用案例當(dāng)今的社會(huì)到處都有人工智能的影子，通過(guò)將深度學(xué)習(xí)模型部署到邊緣設(shè)備上，實(shí)現(xiàn)在不同場(chǎng)景的應(yīng)用，以下為深度學(xué)習(xí)模型部署到邊緣設(shè)備在不同場(chǎng)景下的應(yīng)用。消防設(shè)備報(bào)警系統(tǒng)溫濕度設(shè)備控制系統(tǒng)照明設(shè)備管理系統(tǒng)安全帽檢測(cè)系統(tǒng)計(jì)算機(jī)視覺(jué)模型應(yīng)用案例智慧藥房系統(tǒng)：智慧藥房系統(tǒng)能夠?qū)崿F(xiàn)門診藥品的存儲(chǔ)、取用、調(diào)配以及發(fā)放等過(guò)程的智能化管理。系統(tǒng)將醫(yī)護(hù)人員輸入的處方信息和患者信息傳輸?shù)桨l(fā)藥機(jī)，發(fā)藥機(jī)自動(dòng)挑選藥品并通過(guò)傳輸帶將藥品運(yùn)輸?shù)街付ù翱?，醫(yī)護(hù)人員核對(duì)藥品后即可將藥品發(fā)放給患者。整個(gè)過(guò)程最快只需十幾秒，大大縮減了患者取藥等候的時(shí)間。智慧藥房系統(tǒng)涉及的主要技術(shù)是將計(jì)算機(jī)視覺(jué)模型部署到邊緣設(shè)備上，此處的邊緣設(shè)備主要為攝像頭，攝像頭通過(guò)所獲取到的藥品信息識(shí)別藥柜中的藥品實(shí)現(xiàn)智能取藥。計(jì)算機(jī)視覺(jué)模型應(yīng)用案例安全帽檢測(cè)系統(tǒng)：安全帽是施工人員施工的安全保障。安全帽檢測(cè)系統(tǒng)通過(guò)攝像頭設(shè)備實(shí)時(shí)監(jiān)控施工人員是否佩戴安全帽，若識(shí)別到未佩戴安全帽則發(fā)出報(bào)警，提醒相關(guān)監(jiān)控管理人員監(jiān)督該人員佩戴安全帽。安全帽檢測(cè)系統(tǒng)通過(guò)部署在邊緣設(shè)備的計(jì)算機(jī)視覺(jué)模型，此處的邊緣設(shè)備可以是工地上的攝像頭等，可以對(duì)工地上的施工人員進(jìn)行實(shí)時(shí)監(jiān)控，消除安全隱患。PaddleX本地部署模型導(dǎo)出0102模型部署03模型部署預(yù)測(cè)PaddleX本地部署

在部署模型前需要先將模型導(dǎo)出為inference部署格式，導(dǎo)出的inference部署格式模型文件夾中應(yīng)包括“__model__”“__params__”和“model.yml”3個(gè)文件，分別表示模型的網(wǎng)絡(luò)結(jié)構(gòu)、模型權(quán)重和模型的配置文件（包括數(shù)據(jù)預(yù)處理參數(shù)等）。PaddleX本地部署模型導(dǎo)出命令可選的參數(shù)及說(shuō)明PaddleX本地部署

將模型導(dǎo)出后，可以通過(guò)調(diào)用PaddleX相關(guān)接口對(duì)部署的模型進(jìn)行預(yù)測(cè)。本次部署的模型為計(jì)算機(jī)視覺(jué)模型，調(diào)用PaddleX進(jìn)行預(yù)測(cè)的方式主要有單張圖片預(yù)測(cè)和批量圖片預(yù)測(cè)兩種。單張圖片預(yù)測(cè)和批量圖片預(yù)測(cè)的主要區(qū)別在于，使用批量圖片預(yù)測(cè)時(shí)需要將圖片路徑存放到列表，才能將其輸入接口進(jìn)行預(yù)測(cè)。具體的操作中，首先調(diào)用Predictor類加載模型，接著使用predict接口實(shí)現(xiàn)單張圖片預(yù)測(cè)，也可以使用batch_predict接口實(shí)現(xiàn)批量圖片預(yù)測(cè)。PaddleX本地部署1．Predictor類

Predictor類可進(jìn)行圖像分類、目標(biāo)檢測(cè)、實(shí)例分割、語(yǔ)義分割的高性能預(yù)測(cè)，其中包含單張圖片預(yù)測(cè)接口predict和批量圖片預(yù)測(cè)接口batch_predict。Predictor類的參數(shù)及說(shuō)明PaddleX本地部署2．單張圖片預(yù)測(cè)接口

單張圖片預(yù)測(cè)接口為predict，傳入單張圖片即可實(shí)現(xiàn)預(yù)測(cè)。predict的參數(shù)及說(shuō)明PaddleX本地部署3．批量圖片預(yù)測(cè)接口

批量圖片預(yù)測(cè)接口為batch_predict，批量傳入圖片列表即可實(shí)現(xiàn)預(yù)測(cè)。batch_predict的參數(shù)及說(shuō)明PaddleX邊緣設(shè)備部署智慧零售操作臺(tái)

智慧零售操作臺(tái)是一款面向智慧零售場(chǎng)景的硬件平臺(tái)，由工業(yè)攝像機(jī)、工業(yè)光源、工業(yè)傳送帶、智能控制單元、高清顯示屏等模塊組成，能夠還原智慧零售環(huán)境下的商品識(shí)別、人臉識(shí)別等工作任務(wù)。

智慧零售操作臺(tái)集成Python、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)系統(tǒng)等運(yùn)行環(huán)境，兼容TensorFlow、PaddlePaddle、PyTorch等人工智能深度學(xué)習(xí)框架，支持人工智能平臺(tái)應(yīng)用、智能數(shù)據(jù)采集與處理、計(jì)算機(jī)視覺(jué)等人工智能專業(yè)知識(shí)的學(xué)習(xí)和應(yīng)用。智慧零售操作臺(tái)實(shí)物PaddleX邊緣設(shè)備部署智慧工業(yè)操作臺(tái)

智慧工業(yè)操作臺(tái)是一款面向智慧工業(yè)場(chǎng)景的硬件平臺(tái)，支持圖像分類、目標(biāo)檢測(cè)、圖像分割、機(jī)器控制等算法和硬件的開發(fā)和學(xué)習(xí)，能夠還原智能工業(yè)場(chǎng)景下的芯片分類、芯片缺陷檢測(cè)、芯片劃痕檢測(cè)等工作任務(wù)。智慧工業(yè)操作臺(tái)實(shí)物PaddleX邊緣設(shè)備部署人工智能端側(cè)開發(fā)套件

人工智能端側(cè)開發(fā)套件是一款集深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)技術(shù)為一體的智能設(shè)備，支持圖像分類、目標(biāo)識(shí)別等人工智能模型的本地推理應(yīng)用，兼容PaddlePaddle、TensorFlow等深度學(xué)習(xí)框架，支持教育端側(cè)實(shí)訓(xùn)、行業(yè)應(yīng)用、競(jìng)賽實(shí)操等場(chǎng)景的軟硬件一體化人工智能應(yīng)用開發(fā)，目前已成功應(yīng)用于智能制造、智能交通、智慧零售等領(lǐng)域。人工智能端側(cè)開發(fā)套件實(shí)物PaddleX邊緣設(shè)備部署人工智能邊緣開發(fā)設(shè)備

本項(xiàng)目所使用的設(shè)備是人工智能邊緣開發(fā)設(shè)備，人工智能邊緣開發(fā)設(shè)備是一款功能強(qiáng)大的小型計(jì)算機(jī)，可用于圖像分類、目標(biāo)檢測(cè)、圖像分割和語(yǔ)音處理等，并能運(yùn)行多個(gè)神經(jīng)網(wǎng)絡(luò)，而其運(yùn)行功耗僅為5W。人工智能邊緣開發(fā)設(shè)備實(shí)物部署垃圾分類模型到邊緣設(shè)備

要實(shí)現(xiàn)人工智能邊緣開發(fā)設(shè)備的部署，首先使用PaddleX將模型導(dǎo)出為部署格式，并對(duì)部署格式的模型進(jìn)行性能預(yù)測(cè)，接著將模型部署到人工智能邊緣開發(fā)設(shè)備上，并使用PaddleX相關(guān)命令實(shí)現(xiàn)對(duì)模型的部署預(yù)測(cè)，具體需要經(jīng)過(guò)以下步驟。部署模型導(dǎo)出模型性能預(yù)測(cè)邊緣設(shè)備部署部署垃圾分類模型到邊緣設(shè)備實(shí)施步驟步驟1：部署模型導(dǎo)出

在項(xiàng)目5“計(jì)算機(jī)視覺(jué)模型訓(xùn)練與應(yīng)用”中已將垃圾分類模型訓(xùn)練完成并將最優(yōu)模型保存在了best_model文件夾中，現(xiàn)在已將該文件夾存放在人工智能交互式在線實(shí)訓(xùn)及算法校驗(yàn)系統(tǒng)的data目錄下。接下來(lái)可以使用PaddleX命令將模型導(dǎo)出為部署格式，命令如下。

!paddlex--export_inference--model_dir=./data/best_model--save_dir=./inference_model部署垃圾分類模型到邊緣設(shè)備（1）在人工智能交互式在線實(shí)訓(xùn)及算法校驗(yàn)系統(tǒng)的根目錄中，單擊“Upload”按鈕并選中相應(yīng)的壓縮文件即可上傳文件。上傳