准备数据。
1. 您可以从以下链接中获取ResNet-50网络的模型文件（*.prototxt）、预训练模型文件（*.caffemodel）。
  - ResNet-50网络的模型文件（*.prototxt）：单击Link下载该文件。
  - ResNet-50网络的预训练模型文件（*.caffemodel）：单击Link下载该文件。
2. 参考《ATC工具使用指南》将ResNet-50网络转换为适配昇腾AI处理器的离线模型（*.om文件），转换模型时，需配置色域转换参数，用于将YUV420SP格式的图片转换为RGB格式的图片。
  切换到vpc_jpeg_resnet50_imagenet_classification样例所在目录，命令示例如下，从output参数设置的目录下获取om文件：
```
atc --model=caffe_model/resnet50.prototxt --weight=caffe_model/resnet50.caffemodel --framework=0 --output=model/resnet50_aipp --soc_version=${soc_version} --insert_op_conf=caffe_model/aipp.cfg
```
  - --soc_version：昇腾AI处理器的版本，请根据实际情况替换。
    可从ATC安装路径的“atc/data/platform_config”目录下查看昇腾AI处理器的版本，对应“*.ini”文件的名字（不带.ini后缀）即为soc_version。
  - --output：生成的om文件建议命名为resnet50_aipp.om，并以管理员帐号将om文件上传到开发环境的“ACLlib组件的安装目录\acllib\sample\acl_execute_model\acl_vpc_jpege_resnet50\model”目录下，否则在编译代码前，您还需要修改sample_process.cpp中的omModelPath参数值。
```
const char* omModelPath = "../model/resnet50_aipp.om";
```
3. 准备输入图片。
  请从以下链接获取该样例的输入图片，并以运行用户将获取的文件上传至开发环境的“vpc_jpeg_resnet50_imagenet_classification样例目录\data”目录下。如果目录不存在，需自行创建。
  
  https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/dvpp_vpc_8192x8192_nv12.yuv
  
  https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/persian_cat_1024_1536_283.jpg
  
  https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/wood_rabbit_1024_1061_330.jpg
  
  https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/aclsample/wood_rabbit_1024_1068_nv12.yuv
以管理员帐号登录开发环境，并切换到vpc_jpeg_resnet50_imagenet_classification样例所在的目录。
编译代码。
1. 在样例目录下，创建目录用于存放编译文件，例如，本文中，依次创建的目录为“build\intermediates\soc”。
2. 以管理员身份执行cmd窗口，切换到“样例目录\build\intermediates\soc”目录下，执行cmake生成编译文件，在“样例目录\out\Debug”或“样例目录\out\release”目录下生成可执行文件main.exe，将Debug或release目录下的main.exe复制到“样例目录\out”目录下，否则会导致运行可执行文件时找不到依赖的文件。
  “../../../src”表示CMakeLists.txt文件所在的目录，请根据实际目录层级修改。
  - Debug模式时的编译命令如下：
```
cd 样例目录\build\intermediates\soc
cmake ../../../src -DCMAKE_SKIP_RPATH=TRUE -G "Visual Studio 15 2017 Win64"
cmake --build .
```
  - Release模式下的编译命令如下：
```
cd 样例目录\build\intermediates\soc
cmake ../../../src -DCMAKE_SKIP_RPATH=TRUE -G "Visual Studio 15 2017 Win64" -DCMAKE_CONFIGURATION_TYPES=release
cmake --build . --config release
```
  当前样例的编码字符集为ASCII，编译命令默认都是ASCII编码字符集，不支持Unicode编码字符集，如需支持Unicode编码字符集，需用户自行适配代码。
运行应用。
1. 以管理员帐号将开发环境的vpc_jpeg_resnet50_imagenet_classification样例目录及其子文件上传到运行环境（Host）。
2. 以管理员帐号登录运行环境（Host）。
3. 以管理员身份执行cmd窗口，切换到可执行文件main.exe所在的目录，运行可执行文件。
  1. 将两张*.jpg格式的解码成两张YUV420SP NV12格式的图片，缩放，再进行模型推理，分别得到两张图片的推理结果。
```
main.exe 0
```
    图1 执行结果示例
  2. 将两张*.jpg格式的解码成两张YUV420SP NV12格式的图片，抠图，再进行模型推理，分别得到两张图片的推理结果。
```
main.exe 1
```
    图2 执行结果示例
  3. 将两张*.jpg格式的解码成两张YUV420SP NV12格式的图片，抠图贴图，再进行模型推理，分别得到两张图片的推理结果。
```
main.exe 2
```
    图3 执行结果示例
  4. 将一张YUV420SP格式的图片编码为*.jpg格式的图片。
```
main.exe 3
```
    图4 执行结果示例
  5. 将一张分辨率为8192*8192的YUV420SP格式的图片缩放至4000*4000。
```
main.exe 4
```
    图5 执行结果示例
  执行可执行文件成功后，同时会在main文件同级的result目录下生成结果文件，便于后期查看。结果文件如下：
  - dvpp_output_0：persian_cat_1024_1536_283.jpg图片经过缩放或抠图或抠图贴图之后的结果图片。
  - dvpp_output_1：wood_rabbit_1024_1061_330.jpg图片经过缩放或抠图或抠图贴图之后的结果图片。
  - model_output_0：persian_cat_1024_1536_283.jpg图片的模型推理结果，二进制文件。
  - model_output_0.txt：persian_cat_1024_1536_283.jpg图片的模型推理结果，txt文件。
  - model_output_1：wood_rabbit_1024_1061_330.jpg图片的模型推理结果，二进制文件。
  - model_output_1.txt：wood_rabbit_1024_1061_330.jpg图片的模型推理结果，txt文件。
  - jpege_output_0.jpg：wood_rabbit_1024_1068_nv12.yuv图片结果编码后的结果图片。
  - dvpp_vpc_4000x4000_nv12.yuv：dvpp_vpc_8192x8192_nv12.yuv图片缩放后的结果图片。

编译及运行应用