From b0d3f5440bae2e91724a187d5a7e1b594c4ac0ce Mon Sep 17 00:00:00 2001 From: Jolin Zhang46 Date: Sun, 30 Aug 2020 11:14:26 +0800 Subject: [PATCH] updata quick start cn and add quick start en --- .../source_en/quick_start/Quick Start.md | 6 +++--- .../source_zh_cn/quick_start/quick_start.md | 17 +++++++++-------- 2 files changed, 12 insertions(+), 11 deletions(-) diff --git a/lite/tutorials/source_en/quick_start/Quick Start.md b/lite/tutorials/source_en/quick_start/Quick Start.md index f5970180..2ea2af87 100644 --- a/lite/tutorials/source_en/quick_start/Quick Start.md +++ b/lite/tutorials/source_en/quick_start/Quick Start.md @@ -31,7 +31,7 @@ This tutorial demonstrates the on-device deployment process based on the image c ## Selecting a Model The MindSpore team provides a series of preset device models that you can use in your application. -Click [here](https://download.mindspore.cn/model_zoo/official/lite/mobilenetv2_openimage_lite/) to download image classification models in MindSpore ModelZoo. +Click [here](https://download.mindspore.cn/model_zoo/official/lite/mobilenetv2_openimage_lite/mobilenetv2.ms) to download image classification models in MindSpore ModelZoo. In addition, you can use the preset model to perform migration learning to implement your image classification tasks. For details, see [Saving and Loading Model Parameters](https://www.mindspore.cn/tutorial/en/master/use/saving_and_loading_model_parameters.html#id6). ## Converting a Model @@ -323,8 +323,8 @@ The inference code process is as follows. For details about the complete code, s std::string score_str = std::to_string(scores[i]); retStr += score_str; retStr += ";"; - } - } + } + } else { MS_PRINT("MindSpore run net failed!"); for (int i = 0; i < RET_CATEGORY_SUM; ++i) { diff --git a/lite/tutorials/source_zh_cn/quick_start/quick_start.md b/lite/tutorials/source_zh_cn/quick_start/quick_start.md index 8164b500..3f96cbec 100644 --- a/lite/tutorials/source_zh_cn/quick_start/quick_start.md +++ b/lite/tutorials/source_zh_cn/quick_start/quick_start.md @@ -33,12 +33,12 @@ ## 选择模型 MindSpore团队提供了一系列预置终端模型，你可以在应用程序中使用这些预置的终端模型。 -MindSpore Model Zoo中图像分类模型可[在此下载]((https://download.mindspore.cn/model_zoo/official/lite/mobilenetv2_openimage_lite))。 +MindSpore Model Zoo中图像分类模型可[在此下载]((https://download.mindspore.cn/model_zoo/official/lite/mobilenetv2_openimage_lite/mobilenetv2.ms))。 同时，你也可以使用预置模型做迁移学习，以实现自己的图像分类任务。 ## 转换模型 -如果预置模型已经满足你要求，请跳过本章节。 如果你需要对MindSpore提供的模型进行重训，重训完成后，需要将模型导出为[.mindir格式](https://www.mindspore.cn/tutorial/zh-CN/master/use/saving_and_loading_model_parameters.html#mindir)。然后使用MindSpore Lite[模型转换工具](https://www.mindspore.cn/lite/tutorial/zh-CN/master/use/converter_tool.html)将.mindir模型转换成.ms格式。 +如果预置模型已经满足你要求，请跳过本章节。 如果你需要对MindSpore提供的模型进行重训，重训完成后，需要将模型导出为[.mindir格式](https://www.mindspore.cn/tutorial/zh-CN/master/use/saving_and_loading_model_parameters.html#mindir)。然后使用MindSpore Lite[模型转换工具](https://gitee.com/mindspore/docs/blob/master/lite/tutorials/source_zh_cn/use/converter_tool.md)将.mindir模型转换成.ms格式。 以MindSpore MobilenetV2模型为例，如下脚本将其转换为MindSpore Lite模型用于端侧推理。 ```bash @@ -90,7 +90,7 @@ MindSpore Model Zoo中图像分类模型可[在此下载]((https://download.mind ## 示例程序详细说明 -本端侧图像分类Android示例程序分为JAVA层和JNI层，其中，JAVA层主要通过Android Camera 2 API实现摄像头获取图像帧，以及相应的图像处理等功能；JNI层在[Runtime](https://www.mindspore.cn/lite/tutorial/zh-CN/master/use/runtime.html)中完成模型推理的过程。 +本端侧图像分类Android示例程序分为JAVA层和JNI层，其中，JAVA层主要通过Android Camera 2 API实现摄像头获取图像帧，以及相应的图像处理等功能；JNI层在[Runtime](https://gitee.com/mindspore/docs/blob/master/lite/tutorials/source_zh_cn/use/runtime.md)中完成模型推理的过程。 > 此处详细说明示例程序的JNI层实现，JAVA层运用Android Camera 2 API实现开启设备摄像头以及图像帧处理等功能，需读者具备一定的Android开发基础知识。 @@ -134,7 +134,7 @@ app ### 配置MindSpore Lite依赖项 -Android JNI层调用MindSpore C++ API时，需要相关库文件支持。可通过MindSpore Lite[源码编译](https://www.mindspore.cn/lite/docs/zh-CN/master/deploy.html)生成`libmindspore-lite.so`库文件。 +Android JNI层调用MindSpore C++ API时，需要相关库文件支持。可通过MindSpore Lite[源码编译]https://gitee.com/mindspore/docs/blob/master/lite/tutorials/source_zh_cn/compile.md)生成`libmindspore-lite.so`库文件。 本示例中，bulid过程由download.gradle文件配置自动下载`libmindspore-lite.so`以及OpenCV的libopencv_java4.so库文件，并放置在`app/libs/arm64-v8a`目录下。 @@ -301,8 +301,9 @@ target_link_libraries( float *temp_scores = static_cast(branch1_tensor[0]->MutableData()); float scores[RET_CATEGORY_SUM]; - scores[i] = temp_scores[i]; - } + for (int i = 0; i < RET_CATEGORY_SUM; ++i) { + scores[i] = temp_scores[i]; + } // Converted to text information that needs to be displayed in the APP. std::string retStr = ""; @@ -315,8 +316,8 @@ target_link_libraries( retStr += score_str; retStr += ";"; } - } - } else { + } + else { MS_PRINT("MindSpore run net failed!"); for (int i = 0; i < RET_CATEGORY_SUM; ++i) { retStr += " :0.0;"; -- GitLab