Partager via


DnnImageFeaturizerEstimator Classe

Définition

Applique un modèle de réseau neuronal profond préentraîné (DNN) pour caractériser les données d’image d’entrée.

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))
Héritage
DnnImageFeaturizerEstimator
Implémente

Remarques

Caractéristiques de l’estimateur

Cet estimateur doit-il examiner les données pour entraîner ses paramètres ? Non
Type de données de colonne d’entrée Vecteur de Single
Type de données de colonne de sortie Vecteur de Single, la taille du vecteur dépend du DNN préentraîné
Exportable vers ONNX Non

Conditions requises pour NuGet :

  • Microsoft.ML.OnnxTransformer
  • Microsoft.ML.OnnxRuntime.Gpu (uniquement si le traitement GPU est utilisé)
  • Chaque modèle DNN préentraîné a un NuGet distinct qui doit être inclus si ce modèle est utilisé :
    • Microsoft.ML.DnnImageFeaturizer.AlexNet
    • Microsoft.ML.DnnImageFeaturizer.ResNet18
    • Microsoft.ML.DnnImageFeaturizer.ResNet50
    • Microsoft.ML.DnnImageFeaturizer.ResNet101

Le transformateur résultant crée une colonne, nommée comme spécifié dans les paramètres de nom de colonne de sortie, où un réseau neuronal profond préentraîné est appliqué aux données d’image d’entrée.

Cet estimateur est un wrapper autour d’un OnnxScoringEstimator modèle DNN actuellement disponible préentraîné et plusieurs ColumnCopyingEstimator. Il ColumnCopyingEstimator est nécessaire d’autoriser les noms d’entrée et de sortie de colonne arbitraires, car sinon, les OnnxScoringEstimator noms de colonne doivent correspondre aux noms des nœuds de modèle ONNX.

Toute exigence de plateforme pour cet estimateur suit les exigences sur le OnnxScoringEstimator.

Consultez la section Voir aussi pour obtenir des liens vers des exemples d’utilisation.

Méthodes

Fit(IDataView)

Notez que OnnxEstimator sur lequel il s’agit d’un estimateur trivial. Par conséquent, cela ne fait pas d’entraînement réel, vérifie simplement le schéma.

GetOutputSchema(SchemaShape)

Applique un modèle de réseau neuronal profond préentraîné (DNN) pour caractériser les données d’image d’entrée.

Méthodes d’extension

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

Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données.

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

Étant donné un estimateur, retournez un objet de création de package de restrictions qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important qu’un estimateur retourne des informations sur ce qui était adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets. Nous pouvons donc avoir besoin de créer une chaîne d’estimateurs par EstimatorChain<TLastTransformer> le biais de laquelle l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons par le biais de cette méthode attacher un délégué qui sera appelé une fois l’ajustement appelé.

S’applique à

Voir aussi