运用 MXNet Scala API 接口进行图像分类（附代码）

本文为雷锋字幕组编译的技术博客，原标题 Image Classification with MXNet Scala Inference API，作者为 Qing Lan, Roshani Nagmote 翻译 | 朱茵 整理 | 凡江 博客原址： https://medium.com/apache-mxnet/image-classification-with-mxnet-scala-inference-api-8ab6ce1bbccf

随着 MXNet 1.2.0 版本的发布，新的 MXNet Scala API 接口也发布了。这次发布的 Scala，里面的推理应用程序致力于优化开发者体验。Scala 是一个通用目的程序语言，支持功能性编程和较强的静态类型系统，它被用于平台的高度分布式处理像 Apache Spark。

现在，你们有了新的 Scala API 接口，准备自己试验下。首先你们需要使用 mxnet-full 包来搭建环境，然后你们可以在图像分类的实例和目标侦测的实例上尝试下。（目标侦测的实例我们将在下一次的博客中公布演示）。

环境搭建 （Linux/OSX）

使用 maven 来安装 mxnet-full 包。在 pom 文件里添加属性。请转换 <你的平台> 到你们正在使用的平台。(OSX: osx-x86_64-cpu, Linux: linux-x86_64-cpu/gpu)

如果你正在使用 IntelliJ，你应看到安装包已被导入。你也可以根据这个教程用 MXNet Scala 包来设置 IntelliJ。

图像分类实例

在这部分，你将使用预训练的图像分类模型做推理。这个例子使用了 ResNet152 模型。你可以使用这个脚本来下载这个模型文件。 以下是重建这个例实例需要导入的库。

第一步：创建运行这个实例的主要功能

这里的环境意思是定义这个模型，代码将会运行。如果你想用 GPU(s) 来运行的话，你可以将这行代码改成 context.gpu()。本实例，我们使用了这副图片。

然后给模型添加路径并添加使用 API 接口做测试的图像。

第二步：加载模型并做推

以下代码是之前代码块的延续：

需要用一个输入描述符来定义输入来源和模型配置。「数据」就是输入数据的名字。输入形状是输入图像的形状。输入的矩阵是 224*224 像素大小的三个信道。

在我们挑选和整理好我们所有的输入后，我们创建了一个图像分类器目标，使用它来加载图像。然后我们开始在样本图像上做分类。「Some(5)」区域意思是我们将选取最准确的前 5 个预测。这个区域是选择性的，未分类顺序的预测会是默认选项。一旦完成这一步，我们只需打印显示输出。

结果

结束上一步后，你将看到类似于以下的输出（这儿我们使用了一张哈巴狗的图像）：

第一个元素是分类「n02110958 pug, pug-dog」，第二个值是由分类器决定的该分类的可信度值。

总结

这次简单的试验后，你应当能够使用 MXNet Scala API 接口创建一个图像分类器。你能在 MXNet 项目资源库的 Scala 推理图像分类器实例中找到更多有关这个实例的代码信息。

在我们后续的博客中，我们将介绍使用 MXNet Scala API 接口处理目标侦测的任务。

感谢 Naveen Swamy。 博客原址：

https://medium.com/apache-mxnet/image-classification-with-mxnet-scala-inference-api-8ab6ce1bbccf