OnnxTransformer Třída

Definice

Obor názvů:

Microsoft.ML.Transforms.Onnx

Sestavení:

Microsoft.ML.OnnxTransformer.dll

Balíček:

Microsoft.ML.OnnxTransformer v3.0.1

ITransformer vyplývající z montáže OnnxScoringEstimator. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .

public sealed class OnnxTransformer : Microsoft.ML.Data.RowToRowTransformerBase, IDisposable

type OnnxTransformer = class
    inherit RowToRowTransformerBase
    interface IDisposable

Public NotInheritable Class OnnxTransformer
Inherits RowToRowTransformerBase
Implements IDisposable

Dědičnost

Object

RowToRowTransformerBase

OnnxTransformer

Implementuje

IDisposable

Poznámky

Charakteristiky estimátoru

Potřebuje tento estimátor podívat se na data, aby vytrénovala jeho parametry?	No
Datový typ vstupního sloupce	Známý vektor Single velikosti nebo Double typů
Datový typ výstupního sloupce	Stejný datový typ jako vstupní sloupec
Požadovaný NuGet kromě Microsoft.ML	Microsoft.ML.OnnxTransformer

Podporuje odvozování modelů ve formátu ONNX 1.2, 1.3, 1.4 a 1.5 (opset 7, 8, 9 a 10) pomocí knihovny Microsoft.ML.OnnxRuntime . Modely jsou ve výchozím nastavení skóre procesoru. Pokud je potřeba spustit GPU (volitelné), použijte balíček NuGet dostupný v Microsoft.ML.OnnxRuntime.Gpu a stáhněte CUDA 9.1 Toolkit a cuDNN. Nastavte parametr gpuDeviceId na platné nezáporné celé číslo. Typické hodnoty ID zařízení jsou 0 nebo 1. Vstupy a výstupy modelů ONNX musí být typu Tensor. Sekvence a mapy se zatím nepodporují. OnnxRuntime v současné době funguje na 64bitových platformách Windows a Ubuntu 16.04 Linux. Mac OS, který bude brzy podporován. Seznam snadno dostupných modelů, se kterými můžete začít, navštivte web ONNX Models . Další informace najdete v ONNX .

K vytvoření tohoto estimátoru použijte následující: ApplyOnnxModel

Odkazy na příklady použití najdete v části Viz také.

Metody

Dispose()	ITransformer vyplývající z montáže OnnxScoringEstimator. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
GetOutputSchema(DataViewSchema)	ITransformer vyplývající z montáže OnnxScoringEstimator. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator . (Zděděno od RowToRowTransformerBase)
Transform(IDataView)	ITransformer vyplývající z montáže OnnxScoringEstimator. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator . (Zděděno od RowToRowTransformerBase)

Explicitní implementace rozhraní

ICanSaveModel.Save(ModelSaveContext)	ITransformer vyplývající z montáže OnnxScoringEstimator. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator . (Zděděno od RowToRowTransformerBase)
ITransformer.GetRowToRowMapper(DataViewSchema)	ITransformer vyplývající z montáže OnnxScoringEstimator. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator . (Zděděno od RowToRowTransformerBase)
ITransformer.IsRowToRowMapper	ITransformer vyplývající z montáže OnnxScoringEstimator. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator . (Zděděno od RowToRowTransformerBase)

Metody rozšíření

Preview(ITransformer, IDataView, Int32)	Umožňuje zobrazit náhled efektu transformer daného objektu data.
Append<TTrans>(ITransformer, TTrans)	Vytvořte nový transformátorový řetěz tak, že na konec tohoto transformátoru připojíte další transformátor.
CreateTimeSeriesEngine<TSrc,TDst>(ITransformer, IHostEnvironment, PredictionEngineOptions)	TimeSeriesPredictionEngine<TSrc,TDst> vytvoří prediktivní modul pro kanál časové řady. Aktualizuje stav modelu časových řad pomocí pozorování, které vidíte ve fázi predikce, a umožňuje kontrolní body modelu.
CreateTimeSeriesEngine<TSrc,TDst>(ITransformer, IHostEnvironment, Boolean, SchemaDefinition, SchemaDefinition)	TimeSeriesPredictionEngine<TSrc,TDst> vytvoří prediktivní modul pro kanál časové řady. Aktualizuje stav modelu časových řad pomocí pozorování, které vidíte ve fázi predikce, a umožňuje kontrolní body modelu.