Freigeben über


DnnImageFeaturizerEstimator Klasse

Definition

Wendet ein vorab trainiertes Deep Neural Network (DNN)-Modell an, um Eingabebilddaten zu featurisieren.

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))
Vererbung
DnnImageFeaturizerEstimator
Implementiert

Hinweise

Stimatoreigenschaften

Muss dieser Schätzer die Daten untersuchen, um seine Parameter zu trainieren? No
Eingabespaltendatentyp Vektor von Single
Ausgabespaltendatentyp Vektor von Single, die Größe des Vektors hängt von der vortrainierten DNN
Exportierbar in ONNX No

NuGet-Anforderungen:

  • Microsoft.ML.OnnxTransformer
  • Microsoft.ML.OnnxRuntime.Gpu (nur, wenn GPU-Verarbeitung verwendet wird)
  • Jedes vorab trainierte DNN-Modell verfügt über ein separates NuGet, das eingeschlossen werden muss, wenn dieses Modell verwendet wird:
    • Microsoft.ML.DnnImageFeaturizer.AlexNet
    • Microsoft.ML.DnnImageFeaturizer.ResNet18
    • Microsoft.ML.DnnImageFeaturizer.ResNet50
    • Microsoft.ML.DnnImageFeaturizer.ResNet101

Der resultierende Transformator erstellt eine neue Spalte, die wie in den Parametern für die Ausgabespaltennamen angegeben ist, wobei ein vortrainiertes tiefes neuronales Netzwerk auf die Eingabebilddaten angewendet wird.

Dieser Schätzer ist ein Wrapper um eine OnnxScoringEstimator mit den aktuellen verfügbaren DNN pre-trainierten Modellen und mehreren ColumnCopyingEstimator. Dies ColumnCopyingEstimator ist erforderlich, um beliebige Spalteneingabe- und Ausgabenamen zuzulassen, da andernfalls OnnxScoringEstimator die Spaltennamen den Namen der ONNX-Modellknoten entsprechen müssen.

Alle Plattformanforderungen für diesen Schätzer entsprechen den Anforderungen an die OnnxScoringEstimator.

Überprüfen Sie den Abschnitt "Siehe auch", um Links zu Verwendungsbeispielen zu finden.

Methoden

Fit(IDataView)

Beachten Sie, dass OnnxEstimator, auf dem dies basiert, eine triviale Schätzung ist, sodass dies keine tatsächliche Schulung ausführt, nur das Schema überprüft.

GetOutputSchema(SchemaShape)

Wendet ein vorab trainiertes Deep Neural Network (DNN)-Modell an, um Eingabebilddaten zu featurisieren.

Erweiterungsmethoden

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

Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgelagerten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Cache-Prüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen.

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

Wenn sie eine Schätzung erhalten, geben Sie ein Umbruchobjekt zurück, das einen Delegaten aufruft, sobald Fit(IDataView) er aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen darüber zurückgibt, was passt, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt zurückgibt, anstatt nur ein allgemeines ITransformerObjekt zurückzugeben. IEstimator<TTransformer> Gleichzeitig werden jedoch häufig Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern erstellen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten möchten, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode eine Stellvertretung anfügen, die aufgerufen wird, sobald sie aufgerufen wird.

Gilt für:

Weitere Informationen