支援終止通知：2026 年 10 月 7 日 AWS 將停止的支援 AWS IoT Greengrass Version 1。2026 年 10 月 7 日之後，您將無法再存取 AWS IoT Greengrass V1 資源。如需詳細資訊，請造訪[從遷移 AWS IoT Greengrass Version 1](https://docs.aws.amazon.com/greengrass/v2/developerguide/migrate-from-v1.html)。本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。 # 設定您的裝置以執行 IDT 測試若要設定您的裝置，您必須安裝 AWS IoT Greengrass 相依性、設定 AWS IoT Greengrass Core 軟體、設定主機電腦以存取您的裝置，以及在裝置上設定使用者許可。 ## 驗證待測裝置的 AWS IoT Greengrass 相依性在 IDT for AWS IoT Greengrass 可以測試您的裝置之前，請確定您已如 [入門 AWS IoT Greengrass](https://docs.aws.amazon.com/greengrass/latest/developerguide/gg-gs.html)中所述設定您的裝置。如需受支援平台的相關資訊，請參閱[支援的平台](https://docs.aws.amazon.com/greengrass/latest/developerguide/what-is-gg.html#gg-platforms)。 ## 設定 AWS IoT Greengrass 軟體 IDT for 會 AWS IoT Greengrass 測試您的裝置與特定版本的相容性 AWS IoT Greengrass。IDT 提供兩種 AWS IoT Greengrass 在裝置上進行測試的選項： + 下載並使用某個版本的 [AWS IoT Greengrass Core 軟體](what-is-gg.md#gg-core-download-tab)。IDT 會為您安裝此軟體。 + 使用您裝置上已安裝的 AWS IoT Greengrass Core 軟體版本。 **注意** 的每個版本 AWS IoT Greengrass 都有對應的 IDT 版本。您必須下載對應 AWS IoT Greengrass 至您正在使用之版本的 IDT 版本。下列各節描述這些選項。您只需要執行一個選項。 ### 選項 1：下載 AWS IoT Greengrass Core 軟體並設定 AWS IoT Device Tester 使用它您可以從 AWS IoT Greengrass 核心軟體下載頁面下載[AWS IoT Greengrass 核心軟體](what-is-gg.md#gg-core-download-tab)。 1. 尋找正確的架構和 Linux 發行版本，然後選擇 **Download (下載)**。 1. 將 tar.gz 檔案複製到 `/products/greengrass/ggc`。 **注意** 請勿變更 AWS IoT Greengrass tar.gz 檔案的名稱。請勿將相同作業系統和架構的多個檔案放在這個目錄中。例如，將 `greengrass-linux-armv7l-1.7.1.tar.gz` 和 `greengrass-linux-armv7l-1.8.1.tar.gz` 檔案放在該目錄中將導致測試失敗。 ### 選項 2： AWS IoT Greengrass 搭配 AWS IoT Device Tester 使用的現有安裝設定 IDT 將 `greengrassLocation` 屬性新增至 `/configs` 資料夾中的 `device.json` 檔案，以測試安裝在裝置上的 AWS IoT Greengrass Core 軟體。例如： ``` "greengrassLocation" : "" ``` 如需 `device.json` 詳細資訊，請參閱 [設定 device.json](set-config.md#device-config)。在 Linux 裝置上， AWS IoT Greengrass 核心軟體的預設位置為 `/greengrass`。 **注意** 您的裝置應安裝尚未啟動的 AWS IoT Greengrass Core 軟體。請確定您已在裝置上新增 `ggc_user` 使用者和 `ggc_group`。如需詳細資訊，請參閱 [AWS IoT Greengrass的環境設定](https://docs.aws.amazon.com/greengrass/latest/developerguide/module1.html)。 ## 設定主機電腦以存取待測裝置 IDT 是在您的主機電腦上執行，而且必須能夠使用 SSH 連線到您的裝置。有兩個選項允許 IDT 取得待測裝置的 SSH 存取權： 1. 依照此處的指示來建立 SSH 金鑰對，並授權您的金鑰可以登入待測裝置，無需指定密碼。 1. 提供 `device.json` 檔案中每個裝置的使用者名稱和密碼。如需詳細資訊，請參閱[設定 device.json](set-config.md#device-config)。您可以使用任何 SSL 實作來建立 SSH 金鑰。以下指示展示如何使用 [SSH-KEYGEN](https://www.ssh.com/ssh/keygen/) 或 [ PuTTYgen](https://www.ssh.com/ssh/putty/windows/puttygen) (適用於 Windows)。如果您使用的是另一個 SSL 實作，請參閱該實作的文件。 IDT 使用 SSH 金鑰向待測裝置進行驗證。 **使用 SSH-KEYGEN 建立 SSH 金鑰** 1. 建立 SSH 金鑰。您可以使用 Open SSH **ssh-keygen** 命令建立 SSH 金鑰對。如果您的主機電腦上已有 SSH 金鑰對，則最佳實務是特別為 IDT 建立 SSH 金鑰對。如此一來，在您完成測試之後，若沒有輸入密碼，主機電腦再也無法連接至您的裝置。它還可讓您限制只有需要遠端裝置的人，才能存取該裝置。 **注意** Windows 沒有安裝的 SSH 用戶端。如需在 Windows 上安裝 SSH 用戶端的詳細資訊，請參閱[下載 SSH 用戶端軟體](https://www.ssh.com/ssh/#sec-Download-client-software)。 **ssh-keygen** 命令會提示您提供金鑰對的存放名稱和路徑。根據預設，該金鑰對檔案會命名為 `id_rsa` (私有金鑰) 和 `id_rsa.pub` (公有金鑰)。在 macOS 和 Linux 上，這些檔案的預設位置是 `~/.ssh/`。在 Windows 上，預設位置為 `C:\Users\\.ssh`。出現提示時，請輸入金鑰字詞來保護您的 SSH 金鑰。如需詳細資訊，請參閱[產生新的 SSH 金鑰](https://www.ssh.com/ssh/keygen/)。 1. 將授權的 SSH 金鑰新增至待測裝置。 IDT 必須使用您的 SSH 私有金鑰登入待測裝置。請從您的主機電腦使用 **ssh-copy-id** 命令，授權您的 SSH 私有金鑰登入待測裝置。此命令會將您的公有金鑰新增至待測裝置上的 `~/.ssh/authorized_keys` 檔案。例如： **\$1 ssh-copy-id **@**** *remote-ssh-user* 是用來登入測試裝置的使用者名稱，而 *remote-device-ip* 是要執行測試的測試裝置 IP 地址。例如： **ssh-copy-id pi@192.168.1.5** 出現提示時，請輸入您在 **ssh-copy-id** 命令中指定的使用者名稱密碼。 **ssh-copy-id** 假設公有金鑰名為 `id_rsa.pub`，並存放在預設位置 (macOS 和 Linux 為 `~/.ssh/`，Windows 為 `C:\Users\\.ssh`)。如果您給公有金鑰不同的名稱，或將其存放在不同的位置中，則必須在 **ssh-copy-id** 中使用 **-i** 選項，以指定 SSH 公有金鑰的完整路徑 (例如，**ssh-copy-id -i \$1/my/path/myKey.pub**)。如需有關建立 SSH 金鑰和複製公有金鑰的詳細資訊，請參閱 [SSH-COPY-ID](https://www.ssh.com/ssh/copy-id)。 **使用 PuTTYgen 建立 SSH 金鑰 (僅限 Windows)** 1. 確定您的待測裝置上已安裝 OpenSSH 伺服器和用戶端。如需詳細資訊，請參閱 [OpenSSH](https://www.openssh.com/)。 1. 在您的待測裝置上安裝 [PuTTYgen](https://www.puttygen.com/)。 1. 開啟 PuTTYgen。 1. 選擇 **Generate (產生)**，並將滑鼠游標移到方塊內以產生私有金鑰。 1. 從 **Conversions (轉換)** 功能表中，選擇 **Export OpenSSH key (匯出 OpenSSH 金鑰)**，然後以 `.pem` 副檔名儲存私有金鑰。 1. 將公有金鑰新增至待測裝置上的 `/home//.ssh/authorized_keys` 檔案。 1. 從 PuTTYgen 視窗複製公有金鑰文字。 1. 使用 PuTTY 在您的待測裝置上建立工作階段。 1. 從命令提示字元或 Windows Powershell 視窗中，執行下列命令： **C:/**/putty.exe -ssh **@**** 1. 出現提示時，請輸入您裝置的密碼。 1. 使用 vi 或其他文字編輯器，將公有金鑰附加到待測裝置上的 `/home//.ssh/authorized_keys` 檔案。 1. 使用您的使用者名稱、IP 地址，以及私有金鑰檔案的路徑 (您剛針對待測裝置將該檔案儲存在主機電腦上) 來更新 `device.json` 檔案。如需詳細資訊，請參閱[設定 device.json](set-config.md#device-config)。請務必提供私有金鑰的完整路徑和檔案名稱，並使用正斜線 ('/')。例如，若為 Windows 路徑 `C:\DT\privatekey.pem`，請在 `device.json` 檔案中使用 `C:/DT/privatekey.pem`。 ## 在您的裝置上設定使用者許可 IDT 會在待測裝置的各種目錄和檔案上執行操作。其中某些操作需要較高的許可 (使用 **sudo**)。若要自動化這些操作，IDT for AWS IoT Greengrass 必須能夠使用 sudo 執行命令，而不會提示您輸入密碼。在待測裝置上依照以下步驟，在不提示輸入密碼的情況下允許 sudo 存取。 **注意** `username` 是指 IDT 存取待測裝置時所使用的 SSH 使用者。 **將使用者新增至 sudo 群組** 1. 在待測裝置上，執行 `sudo usermod -aG sudo `。 1. 登出後再重新登入，以使變更生效。 1. 若要驗證是否已成功新增您的使用者名稱，請執行 **sudo echo test**。如果未提示您輸入密碼，表示已正確設定您的使用者。 1. 開啟 `/etc/sudoers` 檔案，然後在檔案結尾處新增以下一行： ` ALL=(ALL) NOPASSWD: ALL` ## 設定您的裝置以測試選用功能下列主題說明如何設定您的裝置以針對選用功能執行 IDT 測試。只有在您想要測試這些功能時，才需遵循這些設定步驟。否則，請繼續進行[設定 IDT AWS IoT Greengrass 設定以執行資格套件](set-config.md)。 **Topics** + [驗證待測裝置的 AWS IoT Greengrass 相依性](#install-gg-dependencies) + [設定 AWS IoT Greengrass 軟體](#config-gg) + [設定主機電腦以存取待測裝置](#configure-host) + [在您的裝置上設定使用者許可](#root-access) + [設定您的裝置以測試選用功能](#optional-feature-config) + [選用：設定 IDT for 的 Docker 容器 AWS IoT Greengrass](docker-config-setup.md) + [選用：設定您的裝置以取得 ML 資格](idt-ml-qualification.md) # 選用：設定 IDT for 的 Docker 容器 AWS IoT Greengrass AWS IoT Greengrass 提供 Docker 映像和 Dockerfile，可讓您更輕鬆地在 Docker 容器中執行 AWS IoT Greengrass Core 軟體。設定 AWS IoT Greengrass 容器之後，您可以執行 IDT 測試。目前，僅支援 x86\$164 Docker 架構來執行 IDT for AWS IoT Greengrass。此功能需要 IDT v2.3.0 或更新版本。設定 Docker 容器以執行 IDT 測試的程序取決於您使用的是提供的 Docker 映像或 Dockerfile AWS IoT Greengrass。 + [使用 Docker 映像](#docker-config-setup-docker-image)。Docker 映像檔已安裝 AWS IoT Greengrass 核心軟體和相依性。 + [使用 Dockerfile](#docker-config-setup-dockerfile)。Dockerfile 包含可用來建置自訂 AWS IoT Greengrass 容器映像的原始碼。您可以修改映像，以在不同平台架構上執行或減少映像大小。 **注意** AWS IoT Greengrass 不提供 AWS IoT Greengrass 核心軟體版本 1.11.1 的 Dockerfile 或 Docker 映像。若要在您自己的自訂容器映像上執行 IDT 測試，映像必須包含提供的 Dockerfile 中定義的相依性 AWS IoT Greengrass。當您 AWS IoT Greengrass 在 Docker 容器中執行時，無法使用下列功能： + 在 **Greengrass 容器**模式下執行[的連接器](connectors.md)。若要在 Docker 容器中執行連接器，連接器必須以 **No container (無容器)** 模式執行。若要尋找支援 **No container (無容器)** 模式的連接器，請參閱 [AWS提供的 Greengrass 連接器](connectors-list.md)。其中一些連接器具有隔離模式參數，您必須設定為 **No container (無容器)**。 + [本機裝置和磁碟區資源](access-local-resources.md)。在 Docker 容器中執行的使用者定義 Lambda 函數必須直接存取核心上的裝置和磁碟區。 ## 設定提供的 Docker 映像 AWS IoT Greengrass 請依照下列步驟設定 AWS IoT Greengrass Docker 映像以執行 IDT 測試。 **先決條件** 開始本教學課程之前，您必須執行下列動作。 + 您必須根據您選擇的 AWS Command Line Interface (AWS CLI) 版本，在主機電腦上安裝下列軟體和版本。 ------ #### [ AWS CLI version 2 ] + [Docker](https://docs.docker.com/install/) 18.09 版或更新版本。舊版可能也適用，但我們建議使用 18.09 或更新版本。 + AWS CLI 2.0.0 版或更新版本。 + 若要安裝第 2 AWS CLI 版，請參閱[安裝第 2 AWS CLI 版](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv2.html)。 + 若要設定 AWS CLI，請參閱[設定 AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html)。 **注意** 若要在 Windows 電腦上升級至更新 AWS CLI 版本 2，您必須重複 [MSI 安裝](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv2-windows.html)程序。 ------ #### [ AWS CLI version 1 ] + [Docker](https://docs.docker.com/install/) 18.09 版或更新版本。舊版可能也適用，但我們建議使用 18.09 或更新版本。 + [Python](https://www.python.org/downloads/) 3.6 版或更新版本。 + [pip](https://pip.pypa.io/en/stable/installing) 版本 18.1 或更新版本。 + AWS CLI 版本 - 第 1.17.10 版或更新版本 + 若要安裝第 1 AWS CLI 版，請參閱[安裝第 1 AWS CLI 版](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html)。 + 若要設定 AWS CLI，請參閱[設定 AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html)。 + 若要升級至最新版本的第 1 AWS CLI 版，請執行下列命令。 ``` pip install awscli --upgrade --user ``` **注意** 如果您在 Windows 上使用 AWS CLI 版本 1 的 [MSI 安裝](https://docs.aws.amazon.com/cli/latest/userguide/install-windows.html#msi-on-windows)，請注意下列事項：如果第 1 AWS CLI 版安裝無法安裝 botocore，請嘗試使用 [Python 和 pip 安裝](https://docs.aws.amazon.com/cli/latest/userguide/awscli-install-windows.html#awscli-install-windows-pip)。若要升級到更新 AWS CLI 版本 1，您必須重複 MSI 安裝程序。 ------ + 若要存取 Amazon Elastic Container Registry (Amazon ECR) 資源，您必須授予下列許可。 + Amazon ECR 要求使用者透過 AWS Identity and Access Management (IAM) 政策授予`ecr:GetAuthorizationToken`許可，才能向登錄檔進行身分驗證，並從 Amazon ECR 儲存庫推送或提取映像。如需詳細資訊，請參閱《[Amazon Elastic Container Registry 使用者指南》中的 Amazon ECR 儲存庫政策範例](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-policy-examples.html)*和*[存取一個 Amazon ECR 儲存庫](https://docs.aws.amazon.com/AmazonECR/latest/userguide/security_iam_id-based-policy-examples.html#security_iam_id-based-policy-examples-access-one-bucket)。 1. 下載 Docker 映像並設定容器。您可以從 [Docker Hub](https://hub.docker.com/r/amazon/aws-iot-greengrass) 或 [Amazon Elastic Container Registry](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html) (Amazon ECR) 下載預先建置的映像，並在 Windows、macOS 和 Linux (x86\$164) 平台上執行。若要從 Amazon ECR 下載 Docker 映像，請完成中的所有步驟[步驟 1：從 Amazon ECR 取得 AWS IoT Greengrass 容器映像](run-gg-in-docker-container.md#docker-pull-image)。然後，返回此主題以繼續進行設定。 1. 僅限 Linux 使用者：確定執行 IDT 的使用者具備執行 Docker 命令的許可。如需詳細資訊，請參閱 Docker 文件中的[以非根使用者身分管理 Docker](https://docs.docker.com/install/linux/linux-postinstall/#manage-docker-as-a-non-root-user)。 1. 若要執行 AWS IoT Greengrass 容器，請針對您的作業系統使用命令： ------ #### [ Linux ] ``` docker run --rm --init -it -d --name aws-iot-greengrass \ -p 8883:8883 \ -v : \ : ``` + 將 ** 替換為主機上核心組態檔案的路徑，並將 ** 替換為容器中裝載磁碟區的路徑。主機上的核心組態圖通常位於 `/proc/config.gz` 或 `/boot/config-`。您可以執行 `uname -r` 以尋找 ** 值。 **範例：**若要從 `/boot/config-` 裝載組態檔 ``` -v /boot/config-4.15.0-74-generic:/boot/config-4.15.0-74-generic \ ``` **範例：**若要從 `proc/config.gz` 裝載組態檔 ``` -v /proc/config.gz:/proc/config.gz \ ``` + 將命令中的 **:** 替換為儲存庫的名稱和目標映像的標籤。 **範例：**指向最新版的 AWS IoT Greengrass Core 軟體 ``` 216483018798.dkr.ecr.us-west-2.amazonaws.com/aws-iot-greengrass:latest ``` 若要取得 AWS IoT Greengrass Docker 映像的清單，請執行下列命令。 ``` aws ecr list-images --region us-west-2 --registry-id 216483018798 --repository-name aws-iot-greengrass ``` ------ #### [ macOS ] ``` docker run --rm --init -it -d --name aws-iot-greengrass \ -p 8883:8883 \ : ``` + 將命令中的 **:** 替換為儲存庫的名稱和目標映像的標籤。 **範例：**指向最新版的 AWS IoT Greengrass Core 軟體 ``` 216483018798.dkr.ecr.us-west-2.amazonaws.com/aws-iot-greengrass:latest ``` 若要取得 AWS IoT Greengrass Docker 映像的清單，請執行下列命令： ``` aws ecr list-images --region us-west-2 --registry-id 216483018798 --repository-name aws-iot-greengrass ``` ------ #### [ Windows ] ``` docker run --rm --init -it -d --name aws-iot-greengrass \ -p 8883:8883 \ : ``` + 將命令中的 **:** 替換為儲存庫的名稱和目標映像的標籤。 **範例：**指向最新版的 AWS IoT Greengrass Core 軟體 ``` 216483018798.dkr.ecr.us-west-2.amazonaws.com/aws-iot-greengrass:latest ``` 若要取得 AWS IoT Greengrass Docker 映像的清單，請執行下列命令： ``` aws ecr list-images --region us-west-2 --registry-id 216483018798 --repository-name aws-iot-greengrass ``` ------ **重要** 使用 IDT 進行測試時，請勿包含用來執行映像以供一般 AWS IoT Greengrass 使用的`--entrypoint /greengrass-entrypoint.sh \`引數。 1. 下一步：[設定您的 AWS 登入資料和`device.json`檔案](set-config.md)。 ## 設定提供的 dockerfile AWS IoT Greengrass 請依照下列步驟設定從 Dockerfile 建置的 AWS IoT Greengrass Docker 映像檔，以執行 IDT 測試。 1. 從 [AWS IoT Greengrass Docker 軟體](what-is-gg.md#gg-docker-download) 中，將 Dockerfile 套件下載到您的主機電腦，並將其解壓縮。 1. 打開 `README.md`. 接下來的三個步驟，請參閱此檔案中的章節。 1. 請確定您符合**先決條件**一節中的需求。 1. 僅限 Linux 使用者：完成**啟用 Symlink 和 Hardlink 保護**和**啟用 IPv4 網路轉送**步驟。 1. 若要建置 Docker 映像，請完成**步驟 1 中的所有步驟。建置 AWS IoT Greengrass Docker 映像**。然後，返回此主題以繼續進行設定。 1. 若要執行 AWS IoT Greengrass 容器，請針對您的作業系統使用命令： ------ #### [ Linux ] ``` docker run --rm --init -it -d --name aws-iot-greengrass \ -p 8883:8883 \ -v : \ : ``` + 將 ** 替換為主機上核心組態檔案的路徑，並將 ** 替換為容器中裝載磁碟區的路徑。主機上的核心組態圖通常位於 `/proc/config.gz` 或 `/boot/config-`。您可以執行 `uname -r` 以尋找 ** 值。 **範例：**若要從 `/boot/config-` 裝載組態檔 ``` -v /boot/config-4.15.0-74-generic:/boot/config-4.15.0-74-generic \ ``` **範例：**若要從 `proc/config.gz` 裝載組態檔 ``` -v /proc/config.gz:/proc/config.gz \ ``` + 將命令中的 **:** 替換為儲存庫的名稱和目標映像的標籤。 **範例：**指向最新版的 AWS IoT Greengrass Core 軟體 ``` 216483018798.dkr.ecr.us-west-2.amazonaws.com/aws-iot-greengrass:latest ``` 若要取得 AWS IoT Greengrass Docker 映像的清單，請執行下列命令。 ``` aws ecr list-images --region us-west-2 --registry-id 216483018798 --repository-name aws-iot-greengrass ``` ------ #### [ macOS ] ``` docker run --rm --init -it -d --name aws-iot-greengrass \ -p 8883:8883 \ : ``` + 將命令中的 **:** 替換為儲存庫的名稱和目標映像的標籤。 **範例：**指向最新版的 AWS IoT Greengrass Core 軟體 ``` 216483018798.dkr.ecr.us-west-2.amazonaws.com/aws-iot-greengrass:latest ``` 若要取得 AWS IoT Greengrass Docker 映像的清單，請執行下列命令： ``` aws ecr list-images --region us-west-2 --registry-id 216483018798 --repository-name aws-iot-greengrass ``` ------ #### [ Windows ] ``` docker run --rm --init -it -d --name aws-iot-greengrass \ -p 8883:8883 \ : ``` + 將命令中的 **:** 替換為儲存庫的名稱和目標映像的標籤。 **範例：**指向最新版的 AWS IoT Greengrass Core 軟體 ``` 216483018798.dkr.ecr.us-west-2.amazonaws.com/aws-iot-greengrass:latest ``` 若要取得 AWS IoT Greengrass Docker 映像的清單，請執行下列命令： ``` aws ecr list-images --region us-west-2 --registry-id 216483018798 --repository-name aws-iot-greengrass ``` ------ **重要** 使用 IDT 進行測試時，請勿包含用來執行映像以供一般 AWS IoT Greengrass 使用的`--entrypoint /greengrass-entrypoint.sh \`引數。 1. 下一步：[設定您的 AWS 登入資料和`device.json`檔案](set-config.md)。 ## 對 IDT for 的 Docker 容器設定進行故障診斷 AWS IoT Greengrass 使用下列資訊來協助疑難排解執行 Docker 容器進行 IDT AWS IoT Greengrass 測試的問題。 ### 警告：載入 config file:/home/user/.docker/config.json - stat /home//.docker/config.json 時發生錯誤：權限遭拒如果在 Linux 上執行 `docker` 命令時發生錯誤，請執行下列命令。使用執行 IDT 的使用者取代下列命令中的 **。 ``` sudo chown : /home//.docker -R sudo chmod g+rwx /home//.docker -R ``` # 選用：設定您的裝置以取得 ML 資格 IDT for AWS IoT Greengrass 提供機器學習 (ML) 資格測試，以驗證您的裝置是否可以使用雲端訓練模型在本機執行 ML 推論。若要執行 ML 資格測試，您必須先按照[設定您的裝置以執行 IDT 測試](device-config-setup.md)中所述設定裝置。然後，依照本主題中的步驟，安裝您想要執行之 ML 框架的相依性。需要 IDT v3.1.0 或更高版本才能執行 ML 資格的測試。 ## 安裝 ML 框架相依性所有 ML 框架相依性必須安裝在 `/usr/local/lib/python3.x/site-packages` 目錄下。為了確保它們安裝在正確的目錄下，我們建議您在安裝相依性時使用 `sudo` root 許可。資格測試不支援虛擬環境。 **注意** 如果您要測試使用[容器化](lambda-group-config.md#lambda-containerization-considerations) （在 **Greengrass 容器**模式下）執行的 Lambda 函數，`/usr/local/lib/python3.x`則不支援在下建立 Python 程式庫的符號連結。若要避免錯誤，您必須在正確的目錄下安裝相依性。按照下列步驟，安裝目標框架的相依性： + [安裝 MXNet 相依性](#ml-qualification-mxnet-dependencies) + [安裝 TensorFlow 相依性](#ml-qualification-tensorflow-dependencies) + [安裝 DLR 相依性](#ml-qualification-dlr-dependencies) ## 安裝 Apache MXNet 相依性此框架的 IDT 資格測試具有以下相依性： + Python 3.6 或 Python 3.7。 **注意** 如果您使用的是 Python 3.6，則必須建立從 Python 3.7 到 Python 3.6 二進位檔的符號連結。這會設定您的裝置以符合 AWS IoT Greengrass的 Python 需求。例如： ``` sudo ln -s path-to-python-3.6/python3.6 path-to-python-3.7/python3.7 ``` + Apache MXNet v1.2.1 或更高版本。 + NumPy. 該版本必須與您的 MxNet 版本相容。 ### 安裝 MXNet 請遵循 MxNet 文件中的指示來[安裝 MxNet](https://mxnet.apache.org/get_started/?platform=linux&language=python&processor=cpu&environ=pip&)。 **注意** 如果您的裝置上同時安裝了 Python 2.x 和 Python 3.x，則請在您執行的安裝相依性命令中使用 Python 3.x。 ### 驗證 MxNet 安裝選擇下列其中一個選項來驗證 MXNet 安裝。 #### 選項 1：使用 SSH 連接到您的裝置並執行指令碼 1. 使用 SSH 連接到您的裝置。 1. 執行下列指令碼，確認相依性已正確安裝。 ``` sudo python3.7 -c "import mxnet; print(mxnet.__version__)" ``` ``` sudo python3.7 -c "import numpy; print(numpy.__version__)" ``` 輸出會列印版本號碼，指令碼應該會沒有錯誤地退出。 #### 選項 2：執行 IDT 相依性測試 1. 確定已針對 ML 資格設定 `device.json`。如需詳細資訊，請參閱[設定 device.json 以取得 ML 資格](set-config.md#device-json-ml-qualification)。 1. 執行框架的相依性測試。 ``` devicetester_[linux | mac | win_x86-64] run-suite --group-id mldependencies --test-id mxnet_dependency_check ``` 測試摘要會顯示 `mldependencies` 的 `PASSED` 結果。 ## 安裝 TensorFlow 相依性此框架的 IDT 資格測試具有以下相依性： + Python 3.6 或 Python 3.7。 **注意** 如果您使用的是 Python 3.6，則必須建立從 Python 3.7 到 Python 3.6 二進位檔的符號連結。這會設定您的裝置以符合 AWS IoT Greengrass的 Python 需求。例如： ``` sudo ln -s path-to-python-3.6/python3.6 path-to-python-3.7/python3.7 ``` + TensorFlow 1.x. ### 安裝 TensorFlow 按照 TensorFlow 文件中的說明，[使用 pip](https://www.tensorflow.org/install/pip) 或[從來源](https://www.tensorflow.org/install/source)安裝 TensorFlow 1.x。 **注意** 如果您的裝置上同時安裝了 Python 2.x 和 Python 3.x，則請在您執行的安裝相依性命令中使用 Python 3.x。 ### 驗證 TensorFlow 安裝選擇下列其中一個選項來驗證 TensorFlow 安裝。 #### 選項 1：使用 SSH 連接到您的裝置並執行指令碼 1. 使用 SSH 連接到您的裝置。 1. 執行下列指令碼，確認相依性已正確安裝。 ``` sudo python3.7 -c "import tensorflow; print(tensorflow.__version__)" ``` 輸出會列印版本號碼，指令碼應該會沒有錯誤地退出。 #### 選項 2：執行 IDT 相依性測試 1. 確定已針對 ML 資格設定 `device.json`。如需詳細資訊，請參閱[設定 device.json 以取得 ML 資格](set-config.md#device-json-ml-qualification)。 1. 執行框架的相依性測試。 ``` devicetester_[linux | mac | win_x86-64] run-suite --group-id mldependencies --test-id tensorflow_dependency_check ``` 測試摘要會顯示 `mldependencies` 的 `PASSED` 結果。 ## 安裝 Amazon SageMaker AI Neo Deep Learning Runtime (DLR) 相依性此框架的 IDT 資格測試具有以下相依性： + Python 3.6 或 Python 3.7。 **注意** 如果您使用的是 Python 3.6，則必須建立從 Python 3.7 到 Python 3.6 二進位檔的符號連結。這會設定您的裝置以符合 AWS IoT Greengrass的 Python 需求。例如： ``` sudo ln -s path-to-python-3.6/python3.6 path-to-python-3.7/python3.7 ``` + SageMaker AI Neo DLR。 + numpy. 安裝 DLR 測試相依性之後，您必須[編譯模型](#ml-qualification-dlr-compile-model)。 ### 安裝 DLR 請依照 DLR 文件中的指示[安裝 Neo DLR](https://neo-ai-dlr.readthedocs.io/en/latest/install.html#building-on-linux)。 **注意** 如果您的裝置上同時安裝了 Python 2.x 和 Python 3.x，則請在您執行的安裝相依性命令中使用 Python 3.x。 ### 驗證 DLR 安裝選擇下列其中一個選項來驗證 DLR 安裝。 #### 選項 1：使用 SSH 連接到您的裝置並執行指令碼 1. 使用 SSH 連接到您的裝置。 1. 執行下列指令碼，確認相依性已正確安裝。 ``` sudo python3.7 -c "import dlr; print(dlr.__version__)" ``` ``` sudo python3.7 -c "import numpy; print(numpy.__version__)" ``` 輸出會列印版本號碼，指令碼應該會沒有錯誤地退出。 #### 選項 2：執行 IDT 相依性測試 1. 確定已針對 ML 資格設定 `device.json`。如需詳細資訊，請參閱[設定 device.json 以取得 ML 資格](set-config.md#device-json-ml-qualification)。 1. 執行框架的相依性測試。 ``` devicetester_[linux | mac | win_x86-64] run-suite --group-id mldependencies --test-id dlr_dependency_check ``` 測試摘要會顯示 `mldependencies` 的 `PASSED` 結果。 ## 編譯 DLR 模型您必須先編譯 DLR 模型，才能將其用於 ML 資格測試。針對步驟，選擇以下其中一個選項： ### 選項 1：使用 Amazon SageMaker AI 編譯模型請依照下列步驟使用 SageMaker AI 編譯 IDT 提供的 ML 模型。此模式已使用 Apache MXNET 預先訓練。 1. 確認 SageMaker AI 支援您的裝置類型。如需詳細資訊，請參閱 *Amazon SageMaker AI API 參考*中的[目標裝置選項](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_OutputConfig.html#sagemaker-Type-OutputConfig-TargetDevice)。如果 SageMaker AI 目前不支援您的裝置類型，請遵循中的步驟[選項 2：使用 TVM 編譯 DLR 模型](#ml-qualification-compile-dlr-option-2)。 **注意** 使用 SageMaker AI 編譯的模型執行 DLR 測試可能需要 4 或 5 分鐘。在這段時間內不要停止 IDT。 1. 下載包含適用於 DLR 之未編譯、預先訓練 MxNet 模型的 tarball 檔案： + [dlr-noncompiled-model-1.0.tar.gz](https://docs.aws.amazon.com/greengrass/latest/developerguide/download-dlr-noncompiled-model-1.0.html) 1. 解壓縮 tarball。此命令會產生以下目錄結構。 ![\[resnet18 目錄包含三個檔案。\]](http://docs.aws.amazon.com/zh_tw/greengrass/v1/developerguide/images/idt/idt-ml-qualification-dlr-uncompiled.png) 1. 將 `synset.txt` 移出 `resnet18` 目錄。記下新位置。您稍後會將此檔案複製到編譯的模型目錄中。 1. 壓縮 `resnet18` 目錄的內容。 ``` tar cvfz model.tar.gz resnet18v1-symbol.json resnet18v1-0000.params ``` 1. 將壓縮檔案上傳到中的 Amazon S3 儲存貯體 AWS 帳戶，然後遵循[編譯模型（主控台）](https://docs.aws.amazon.com/sagemaker/latest/dg/neo-job-compilation-console.html) 中的步驟來建立編譯任務。 1. 對於 **Input configuration (輸入組態)**，請使用下列值： + 對於 **Data input configuration (資料輸入組態)**，請輸入 `{"data": [1, 3, 224, 224]}`。 + 對於 **Machine learning framework (機器學習框架)**，請選擇 `MXNet`。 1. 對於 **Output configuration (輸出組態)**，請使用下列值： + 針對 **S3 輸出位置**，輸入您要存放已編譯模型之 Amazon S3 儲存貯體或資料夾的路徑。 + 對於 **Target device (目標裝置)**，選擇您的裝置類型。 1. 從您指定的輸出位置下載已編譯的模型，然後解壓縮檔案。 1. 將 `synset.txt` 複製到已編譯的模型目錄中。 1. 將已編譯模型目錄的名稱變更為 `resnet18`。您編譯的模型目錄必須具有以下目錄結構。 ![\[resnet18 編譯的模型目錄包含四個檔案。\]](http://docs.aws.amazon.com/zh_tw/greengrass/v1/developerguide/images/idt/idt-ml-qualification-dlr-compiled-sm.png) ### 選項 2：使用 TVM 編譯 DLR 模型請依照下列步驟，使用 TVM 編譯 IDT 所提供的 ML 模型。此模型已使用 Apache MxNet 進行預先訓練，因此您必須在編譯模型的電腦或裝置上安裝 MxNet。若要安裝 MxNet，請依照 [MxNet 文件](https://mxnet.apache.org/get_started/?platform=linux&language=python&processor=cpu&environ=pip&)中的指示進行。 **注意** 我們建議您在目標裝置上編譯模型。這種做法是選用的，但它可以協助確保相容性並減輕潛在問題。 1. 下載包含適用於 DLR 之未編譯、預先訓練 MxNet 模型的 tarball 檔案： + [dlr-noncompiled-model-1.0.tar.gz](https://docs.aws.amazon.com/greengrass/latest/developerguide/download-dlr-noncompiled-model-1.0.html) 1. 解壓縮 tarball。此命令會產生以下目錄結構。 ![\[resnet18 目錄包含三個檔案。\]](http://docs.aws.amazon.com/zh_tw/greengrass/v1/developerguide/images/idt/idt-ml-qualification-dlr-uncompiled.png) 1. 遵循 TVM 文件中的指示，[從您平台的來源建置和安裝 TVM](https://docs.tvm.ai/install/from_source.html)。 1. 建置 TVM 之後，請針對 resnet18 模型執行 TVM 編譯。以下步驟是以 TVM 文件中的[編譯深度學習模型的快速入門教學](https://tvm.apache.org/docs/tutorial/relay_quick_start.html#sphx-glr-tutorials-get-started-relay-quick-start-py)為基礎。 1. 從複製的 TVM 儲存庫中開啟 `relay_quick_start.py` 檔案。 1. 更新[在轉送中定義神經網路](https://tvm.apache.org/docs/tutorial/relay_quick_start.html#define-neural-network-in-relay)的程式碼。您可以使用下列其中一個選項： + 選項 1：使用 `mxnet.gluon.model_zoo.vision.get_model` 取得轉送模組和參數： ``` from mxnet.gluon.model_zoo.vision import get_model block = get_model('resnet18_v1', pretrained=True) mod, params = relay.frontend.from_mxnet(block, {"data": data_shape}) ``` + 選項 2：從您在步驟 1 中下載的未編譯模型，將下列檔案複製到與 `relay_quick_start.py` 檔案相同的目錄中。這些檔案包含轉送模組和參數。 + `resnet18v1-symbol.json` + `resnet18v1-0000.params` 1. 更新[儲存並載入已編譯模組](https://tvm.apache.org/docs/tutorial/relay_quick_start.html#save-and-load-compiled-module)的程式碼，以使用下列程式碼。 ``` from tvm.contrib import util path_lib = "deploy_lib.so" # Export the model library based on your device architecture lib.export_library("deploy_lib.so", cc="aarch64-linux-gnu-g++") with open("deploy_graph.json", "w") as fo: fo.write(graph) with open("deploy_param.params", "wb") as fo: fo.write(relay.save_param_dict(params)) ``` 1. 建置模型： ``` python3 tutorials/relay_quick_start.py --build-dir ./model ``` 此命令會產生下列檔案。 + `deploy_graph.json` + `deploy_lib.so` + `deploy_param.params` 1. 將產生的模型檔案複製到名為 `resnet18` 的目錄中。這是您編譯的模型目錄。 1. 將編譯後的模型目錄複製到您的主機電腦。然後從您在步驟 1 中下載的未編譯模型，將 `synset.txt` 複製到已編譯的模型目錄中。您編譯的模型目錄必須具有以下目錄結構。 ![\[resnet18 編譯的模型目錄包含四個檔案。\]](http://docs.aws.amazon.com/zh_tw/greengrass/v1/developerguide/images/idt/idt-ml-qualification-dlr-compiled-tvm.png) 接著，[設定您的 AWS 登入資料和`device.json`檔案](set-config.md)。