ImageClassificationTrainer Klasse

Definition

Namespace:

Microsoft.ML.Vision

Assembly:

Microsoft.ML.Vision.dll

Paket:

Microsoft.ML.Vision v5.0.0-preview.1.25125.4

Quelle:

ImageClassificationTrainer.cs

Zum IEstimator<TTransformer> Training eines Deep Neural Network(DNN) zum Klassifizieren von Bildern.

public sealed class ImageClassificationTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.MulticlassPredictionTransformer<Microsoft.ML.Vision.ImageClassificationModelParameters>,Microsoft.ML.Vision.ImageClassificationModelParameters>

type ImageClassificationTrainer = class
    inherit TrainerEstimatorBase<MulticlassPredictionTransformer<ImageClassificationModelParameters>, ImageClassificationModelParameters>

Public NotInheritable Class ImageClassificationTrainer
Inherits TrainerEstimatorBase(Of MulticlassPredictionTransformer(Of ImageClassificationModelParameters), ImageClassificationModelParameters)

Vererbung

Object

TrainerEstimatorBase<MulticlassPredictionTransformer<ImageClassificationModelParameters>,ImageClassificationModelParameters>

ImageClassificationTrainer

Hinweise

Verwenden Sie ImageClassification, um diesen Trainer zu erstellen.

Eingabe- und Ausgabespalten

Die Spaltendaten der Eingabebeschriftung müssen schlüsseltyp sein, und die Featurespalte muss ein Vektor Bytemit variabler Größe sein.

Der Trainer gibt folgende Spalten aus:

Name der Ausgabespalte	Spaltentyp	Description
Score	Vektor vonSingle	Die Bewertungen aller Klassen. Höherer Wert bedeutet eine höhere Wahrscheinlichkeit, in die zugeordnete Klasse zu fallen. Wenn das i-th-Element den größten Wert aufweist, lautet der vorhergesagte Bezeichnungsindex i.Note that i is zero-based index.
PredictedLabel	Schlüssel-Typ	Der Index der vorhergesagten Bezeichnung. Wenn der Wert i ist, würde die tatsächliche Beschriftung die i-th-Kategorie im Eingabebezeichnungstyp mit Schlüsselwert sein.

Trainermerkmale

Machine Learning-Aufgabe	Mehrklassenklassifizierung
Ist normalisierung erforderlich?	No
Ist zwischenspeichern erforderlich?	No
Erforderliches NuGet zusätzlich zu Microsoft.ML	Microsoft.ML.Vision und SciSharp.TensorFlow.Redist / SciSharp.TensorFlow.Redist-Windows-GPU / SciSharp.TensorFlow.Redist-Linux-GPU
Exportierbar in ONNX	No

Verwenden von TensorFlow-basierten APIs

Um alle TensorFlow-basierten ML.Net-APIs auszuführen, müssen Sie zuerst eine NuGet-Abhängigkeit von der TensorFlow-Redist-Bibliothek hinzufügen. Es gibt derzeit zwei Versionen, die Sie verwenden können. Eine, die für die GPU-Unterstützung kompiliert wird und eine, die nur CPU-Unterstützung hat.

Nur CPU

CPU-basierter TensorFlow wird derzeit unter:

• Linux
• MacOS
• Windows

Um TensorFlow nur für die CPU zu verwenden, die eine NuGet-Abhängigkeit von SciSharp.TensorFlow.Redist v1.14.0 übernimmt

GPU-Unterstützung

GPU-basierter TensorFlow wird derzeit unterstützt für:

• Windows
• Linux Ab sofort unterstützt TensorFlow die Ausführung unter GPUs für MacOS nicht, daher können wir dies derzeit nicht unterstützen.

Voraussetzungen

Sie müssen über mindestens eine CUDA-kompatible GPU verfügen, um eine Liste kompatibler GPUs zu erhalten, siehe Nvidias Handbuch.

Installieren Sie CUDA v10.1 und CUDNN v7.6.4.

Stellen Sie sicher, dass Sie CUDA v10.1 und keine andere neuere Version installieren. Nachdem Sie CUDNN v7.6.4 .zip Datei heruntergeladen und entpackt haben, müssen Sie die folgenden Schritte ausführen:

copy <CUDNN_zip_files_path>\cuda\bin\cudnn64_7.dll to <YOUR_DRIVE>\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin

Für C/C++-Entwicklung:

Copy <CUDNN_zip_files_path>\cuda\ include\cudnn.h to <YOUR_DRIVE>\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include

Copy <CUDNN_zip_files_path>\cuda\lib\x64\cudnn.lib to <YOUR_DRIVE>\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64

Weitere Details in cuDNN finden Sie im CuDNN-Installationshandbuch.

Usage

Um TensorFlow mit GPU-Unterstützung zu verwenden, hängt je nach Betriebssystem eine NuGet-Abhängigkeit vom folgenden Paket ab:

• Windows -> SciSharp.TensorFlow.Redist-Windows-GPU
• Linux -> SciSharp.TensorFlow.Redist-Linux-GPU

Es sollte keine Codeänderung erforderlich sein, um die GPU für TensorFlow-Vorgänge zu nutzen.

Troubleshooting

Wenn Sie Ihre GPU nach dem Hinzufügen der GPU-basierten TensorFlow NuGet nicht verwenden können, stellen Sie sicher, dass nur eine Abhängigkeit von der GPU-basierten Version vorhanden ist. Wenn Sie eine Abhängigkeit von NuGets haben, wird stattdessen der CPU-basierte TensorFlow ausgeführt.

Details des Schulungsalgorithmus

Trainiert ein Deep Neural Network(DNN) durch Nutzung eines vorhandenen vortrainierten Modells wie Resnet50 zum Klassifizieren von Bildern. Die Technik wurde von TensorFlows Lernprogramm zur Neuschulung der Bildklassifizierung inspiriert.

Felder

Name	Beschreibung
FeatureColumn	Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Die Bezeichnungsspalte, die der Trainer erwartet. Dies kann sein null, was angibt, dass die Bezeichnung nicht für schulungen verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Die Gewichtsspalte, die der Trainer erwartet. Dies kann sein null, was angibt, dass das Gewicht nicht für das Training verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Eigenschaften

Name	Beschreibung
Info	Zusatzinformationen über den Trainer in Bezug auf seine Fähigkeiten und Anforderungen.

Methoden

Name	Beschreibung
Fit(IDataView, IDataView)	Trainiert eine ImageClassificationTrainer Verwendung von Schulungs- und Validierungsdaten, gibt eine ImageClassificationModelParameters.
Fit(IDataView)	Züge und Gibt einen ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Zum IEstimator<TTransformer> Training eines Deep Neural Network(DNN) zum Klassifizieren von Bildern. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Erweiterungsmethoden

Name	Beschreibung
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)	Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgeschalteten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Zwischenspeicherprüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen.
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)	Geben Sie bei einer Schätzung ein Wrapping-Objekt zurück, das eine Stellvertretung aufruft, sobald Fit(IDataView) sie aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen zu dem, was passt, zurückgeben, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt und nicht nur ein allgemeines ITransformerObjekt zurückgibt. IEstimator<TTransformer> Gleichzeitig werden jedoch oft in Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern bauen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten wollen, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode einen Delegat anfügen, der aufgerufen wird, sobald "Fit" aufgerufen wird.