DnnImageFeaturizerEstimator Třída

Definice

Obor názvů:

Microsoft.ML.Transforms.Onnx

Sestavení:

Microsoft.ML.OnnxTransformer.dll

Balíček:

Microsoft.ML.OnnxTransformer v3.0.1

Použije předem vytrénovaný model hluboké neurální sítě (DNN) pro featurizaci vstupních dat obrázků.

public sealed class DnnImageFeaturizerEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Data.TransformerChain<Microsoft.ML.Transforms.ColumnCopyingTransformer>>

type DnnImageFeaturizerEstimator = class
    interface IEstimator<TransformerChain<ColumnCopyingTransformer>>

Public NotInheritable Class DnnImageFeaturizerEstimator
Implements IEstimator(Of TransformerChain(Of ColumnCopyingTransformer))

Dědičnost

Object

DnnImageFeaturizerEstimator

Implementuje

IEstimator<TransformerChain<ColumnCopyingTransformer>>

Poznámky

Charakteristiky estimátoru

Potřebuje tento estimátor podívat se na data, aby vytrénovala jeho parametry?	No
Datový typ vstupního sloupce	Vektor Single
Datový typ výstupního sloupce	SingleVektor , velikost vektoru závisí na předem natrénované DNN
Exportovatelné do ONNX	No

Požadavky NuGetu:

• Microsoft.ML.OnnxTransformer
• Microsoft.ML.OnnxRuntime.Gpu (pouze pokud se používá zpracování GPU)
• Každý předem vytrénovaný model DNN má samostatný NuGet, který je potřeba zahrnout, pokud se tento model použije:
  • Microsoft.ML.DnnImageFeaturizer.AlexNet
  • Microsoft.ML.DnnImageFeaturizer.ResNet18
  • Microsoft.ML.DnnImageFeaturizer.ResNet50
  • Microsoft.ML.DnnImageFeaturizer.ResNet101

Výsledný transformátor vytvoří nový sloupec s názvem zadaným v parametrech názvu výstupního sloupce, kde se na vstupní data obrázku použije předem natrénovaná hloubková neurální síť.

Tento estimátor je obálka OnnxScoringEstimator kolem aktuálního dostupného předtrénovaného modelu DNN a několika ColumnCopyingEstimator. Jsou ColumnCopyingEstimator potřeba k povolení libovolných vstupních a výstupních názvů sloupců, protože jinak OnnxScoringEstimator by názvy sloupců vyžadovaly, aby odpovídaly názvům uzlů modelu ONNX.

Všechny požadavky na platformu pro tento estimátor budou splňovat požadavky na OnnxScoringEstimator

Odkazy na příklady použití najdete v části Viz také.

Metody

Fit(IDataView)	Všimněte si, že OnnxEstimator, který je založen na tom, je triviální estimátor, takže to neprovádí žádné skutečné trénování, pouze ověří schéma.
GetOutputSchema(SchemaShape)	Použije předem vytrénovaný model hluboké neurální sítě (DNN) pro featurizaci vstupních dat obrázků.

Metody rozšíření

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Připojte k řetězci estimátoru kontrolní bod ukládání do mezipaměti. Tím zajistíte, aby podřízené estimátory byly vytrénovány proti datům uloženým v mezipaměti. Před průchodem více dat je užitečné mít kontrolní bod ukládání do mezipaměti.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Vzhledem k estimátoru vraťte zalamovací objekt, který zavolá delegáta jednou Fit(IDataView) . Často je důležité, aby odhadovač vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací konkrétně typ objekt, nikoli jen obecné ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetězec estimátorů, kde EstimatorChain<TLastTransformer> je odhadovač, IEstimator<TTransformer> pro který chceme získat transformátor, zakopán někde v tomto řetězci. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po zavolání fit.

Viz také

• DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)