OnnxCatalog.ApplyOnnxModel Metode
Definisi
Penting
Beberapa informasi terkait produk prarilis yang dapat diubah secara signifikan sebelum dirilis. Microsoft tidak memberikan jaminan, tersirat maupun tersurat, sehubungan dengan informasi yang diberikan di sini.
Overload
| ApplyOnnxModel(TransformsCatalog, OnnxOptions) |
OnnxScoringEstimator Buat menggunakan yang ditentukanOnnxOptions. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU. |
| ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean) |
Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke kolom input. Kolom input/output ditentukan berdasarkan kolom input/output dari model ONNX yang disediakan. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU. |
| ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean) |
Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke kolom input. Kolom input/output ditentukan berdasarkan kolom input/output dari model ONNX yang disediakan. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU. |
| ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean) |
OnnxScoringEstimatorBuat , yang menerapkan model Onnx yang telah dilatih sebelumnya ke |
| ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean) |
Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke |
| ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean) |
OnnxScoringEstimatorBuat , yang menerapkan model Onnx yang telah dilatih sebelumnya ke |
| ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean) |
Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke |
| ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32) |
Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke |
ApplyOnnxModel(TransformsCatalog, OnnxOptions)
OnnxScoringEstimator Buat menggunakan yang ditentukanOnnxOptions. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, Microsoft.ML.Transforms.Onnx.OnnxOptions options);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * Microsoft.ML.Transforms.Onnx.OnnxOptions -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, options As OnnxOptions) As OnnxScoringEstimatorParameter
- catalog
- TransformsCatalog
Katalog transformasi.
- options
- OnnxOptions
Opsi untuk OnnxScoringEstimator.
Mengembalikan
Keterangan
Jika opsinya. Nilai GpuDeviceId adalah nullMLContext.GpuDeviceId nilai akan digunakan jika bukan null.
Berlaku untuk
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)
Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke kolom input. Kolom input/output ditentukan berdasarkan kolom input/output dari model ONNX yang disediakan. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string modelFile, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, modelFile As String, Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParameter
- catalog
- TransformsCatalog
Katalog transformasi.
- modelFile
- String
Jalur file yang berisi model ONNX.
ID perangkat GPU opsional untuk menjalankan eksekusi, null untuk berjalan pada CPU.
- fallbackToCpu
- Boolean
Jika kesalahan GPU, ajukan pengecualian atau fallback ke CPU.
Mengembalikan
Contoh
using System;
using System.IO;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
namespace Samples.Dynamic
{
public static class ApplyOnnxModel
{
public static void Example()
{
// Download the squeeznet image model from ONNX model zoo, version 1.2
// https://github.com/onnx/models/tree/master/squeezenet or
// https://s3.amazonaws.com/download.onnx/models/opset_8/squeezenet.tar.gz
// or use Microsoft.ML.Onnx.TestModels nuget.
var modelPath = @"squeezenet\00000001\model.onnx";
// Create ML pipeline to score the data using OnnxScoringEstimator
var mlContext = new MLContext();
// Generate sample test data.
var samples = GetTensorData();
// Convert training data to IDataView, the general data type used in
// ML.NET.
var data = mlContext.Data.LoadFromEnumerable(samples);
// Create the pipeline to score using provided onnx model.
var pipeline = mlContext.Transforms.ApplyOnnxModel(modelPath);
// Fit the pipeline and get the transformed values
var transformedValues = pipeline.Fit(data).Transform(data);
// Retrieve model scores into Prediction class
var predictions = mlContext.Data.CreateEnumerable<Prediction>(
transformedValues, reuseRowObject: false);
// Iterate rows
foreach (var prediction in predictions)
{
int numClasses = 0;
foreach (var classScore in prediction.softmaxout_1.Take(3))
{
Console.WriteLine("Class #" + numClasses++ + " score = " +
classScore);
}
Console.WriteLine(new string('-', 10));
}
// Results look like below...
// Class #0 score = 4.544065E-05
// Class #1 score = 0.003845858
// Class #2 score = 0.0001249467
// ----------
// Class #0 score = 4.491953E-05
// Class #1 score = 0.003848222
// Class #2 score = 0.0001245592
// ----------
}
// inputSize is the overall dimensions of the model input tensor.
private const int inputSize = 224 * 224 * 3;
// A class to hold sample tensor data. Member name should match
// the inputs that the model expects (in this case, data_0)
public class TensorData
{
[VectorType(inputSize)]
public float[] data_0 { get; set; }
}
// Method to generate sample test data. Returns 2 sample rows.
public static TensorData[] GetTensorData()
{
// This can be any numerical data. Assume image pixel values.
var image1 = Enumerable.Range(0, inputSize).Select(x => (float)x /
inputSize).ToArray();
var image2 = Enumerable.Range(0, inputSize).Select(x => (float)(x +
10000) / inputSize).ToArray();
return new TensorData[] { new TensorData() { data_0 = image1 }, new
TensorData() { data_0 = image2 } };
}
// Class to contain the output values from the transformation.
// This model generates a vector of 1000 floats.
class Prediction
{
[VectorType(1000)]
public float[] softmaxout_1 { get; set; }
}
}
}
Keterangan
Nama/jenis kolom input harus sama persis dengan nama/jenis input model ONNX. Nama/jenis kolom output yang dihasilkan akan cocok dengan nama/jenis output model ONNX. Jika nilai gpuDeviceId adalah nullMLContext.GpuDeviceId nilai akan digunakan jika bukan null.
Berlaku untuk
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke kolom input. Kolom input/output ditentukan berdasarkan kolom input/output dari model ONNX yang disediakan. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParameter
- catalog
- TransformsCatalog
Katalog transformasi.
- modelFile
- String
Jalur file yang berisi model ONNX.
- shapeDictionary
- IDictionary<String,Int32[]>
Bentuk ONNX yang akan digunakan atas yang dimuat dari modelFile.
Untuk kunci, gunakan nama seperti yang dinyatakan dalam model ONNX, misalnya "input". Menyatakan bentuk dengan parameter ini sangat berguna untuk bekerja dengan input dan output dimensi variabel.
ID perangkat GPU opsional untuk menjalankan eksekusi, null untuk berjalan pada CPU.
- fallbackToCpu
- Boolean
Jika kesalahan GPU, ajukan pengecualian atau fallback ke CPU.
Mengembalikan
Contoh
using System;
using System.IO;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
namespace Samples.Dynamic
{
public static class ApplyOnnxModel
{
public static void Example()
{
// Download the squeeznet image model from ONNX model zoo, version 1.2
// https://github.com/onnx/models/tree/master/squeezenet or
// https://s3.amazonaws.com/download.onnx/models/opset_8/squeezenet.tar.gz
// or use Microsoft.ML.Onnx.TestModels nuget.
var modelPath = @"squeezenet\00000001\model.onnx";
// Create ML pipeline to score the data using OnnxScoringEstimator
var mlContext = new MLContext();
// Generate sample test data.
var samples = GetTensorData();
// Convert training data to IDataView, the general data type used in
// ML.NET.
var data = mlContext.Data.LoadFromEnumerable(samples);
// Create the pipeline to score using provided onnx model.
var pipeline = mlContext.Transforms.ApplyOnnxModel(modelPath);
// Fit the pipeline and get the transformed values
var transformedValues = pipeline.Fit(data).Transform(data);
// Retrieve model scores into Prediction class
var predictions = mlContext.Data.CreateEnumerable<Prediction>(
transformedValues, reuseRowObject: false);
// Iterate rows
foreach (var prediction in predictions)
{
int numClasses = 0;
foreach (var classScore in prediction.softmaxout_1.Take(3))
{
Console.WriteLine("Class #" + numClasses++ + " score = " +
classScore);
}
Console.WriteLine(new string('-', 10));
}
// Results look like below...
// Class #0 score = 4.544065E-05
// Class #1 score = 0.003845858
// Class #2 score = 0.0001249467
// ----------
// Class #0 score = 4.491953E-05
// Class #1 score = 0.003848222
// Class #2 score = 0.0001245592
// ----------
}
// inputSize is the overall dimensions of the model input tensor.
private const int inputSize = 224 * 224 * 3;
// A class to hold sample tensor data. Member name should match
// the inputs that the model expects (in this case, data_0)
public class TensorData
{
[VectorType(inputSize)]
public float[] data_0 { get; set; }
}
// Method to generate sample test data. Returns 2 sample rows.
public static TensorData[] GetTensorData()
{
// This can be any numerical data. Assume image pixel values.
var image1 = Enumerable.Range(0, inputSize).Select(x => (float)x /
inputSize).ToArray();
var image2 = Enumerable.Range(0, inputSize).Select(x => (float)(x +
10000) / inputSize).ToArray();
return new TensorData[] { new TensorData() { data_0 = image1 }, new
TensorData() { data_0 = image2 } };
}
// Class to contain the output values from the transformation.
// This model generates a vector of 1000 floats.
class Prediction
{
[VectorType(1000)]
public float[] softmaxout_1 { get; set; }
}
}
}
Keterangan
Nama/jenis kolom input harus sama persis dengan nama/jenis input model ONNX. Nama/jenis kolom output yang dihasilkan akan cocok dengan nama/jenis output model ONNX. Jika nilai gpuDeviceId adalah nullMLContext.GpuDeviceId nilai akan digunakan jika bukan null.
Berlaku untuk
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)
OnnxScoringEstimatorBuat , yang menerapkan model Onnx yang telah dilatih sebelumnya ke inputColumnName kolom.
Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string outputColumnName, string inputColumnName, string modelFile, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * string * string * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnName As String, inputColumnName As String, modelFile As String, Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParameter
- catalog
- TransformsCatalog
Katalog transformasi.
- outputColumnName
- String
Kolom output yang dihasilkan dari transformasi.
- inputColumnName
- String
Kolom input.
- modelFile
- String
Jalur file yang berisi model ONNX.
ID perangkat GPU opsional untuk menjalankan eksekusi, null untuk berjalan pada CPU.
- fallbackToCpu
- Boolean
Jika kesalahan GPU, ajukan pengecualian atau fallback ke CPU.
Mengembalikan
Contoh
using System;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms.Image;
namespace Samples.Dynamic
{
public static class ApplyOnnxModelWithInMemoryImages
{
// Example of applying ONNX transform on in-memory images.
public static void Example()
{
// Download the squeeznet image model from ONNX model zoo, version 1.2
// https://github.com/onnx/models/tree/master/vision/classification/squeezenet or use
// Microsoft.ML.Onnx.TestModels nuget.
// It's a multiclass classifier. It consumes an input "data_0" and
// produces an output "softmaxout_1".
var modelPath = @"squeezenet\00000001\model.onnx";
// Create ML pipeline to score the data using OnnxScoringEstimator
var mlContext = new MLContext();
// Create in-memory data points. Its Image/Scores field is the
// input /output of the used ONNX model.
var dataPoints = new ImageDataPoint[]
{
new ImageDataPoint(red: 255, green: 0, blue: 0), // Red color
new ImageDataPoint(red: 0, green: 128, blue: 0) // Green color
};
// Convert training data to IDataView, the general data type used in
// ML.NET.
var dataView = mlContext.Data.LoadFromEnumerable(dataPoints);
// Create a ML.NET pipeline which contains two steps. First,
// ExtractPixle is used to convert the 224x224 image to a 3x224x224
// float tensor. Then the float tensor is fed into a ONNX model with an
// input called "data_0" and an output called "softmaxout_1". Note that
// "data_0" and "softmaxout_1" are model input and output names stored
// in the used ONNX model file. Users may need to inspect their own
// models to get the right input and output column names.
// Map column "Image" to column "data_0"
// Map column "data_0" to column "softmaxout_1"
var pipeline = mlContext.Transforms.ExtractPixels("data_0", "Image")
.Append(mlContext.Transforms.ApplyOnnxModel("softmaxout_1",
"data_0", modelPath));
var model = pipeline.Fit(dataView);
var onnx = model.Transform(dataView);
// Convert IDataView back to IEnumerable<ImageDataPoint> so that user
// can inspect the output, column "softmaxout_1", of the ONNX transform.
// Note that Column "softmaxout_1" would be stored in ImageDataPont
//.Scores because the added attributed [ColumnName("softmaxout_1")]
// tells that ImageDataPont.Scores is equivalent to column
// "softmaxout_1".
var transformedDataPoints = mlContext.Data.CreateEnumerable<
ImageDataPoint>(onnx, false).ToList();
// The scores are probabilities of all possible classes, so they should
// all be positive.
foreach (var dataPoint in transformedDataPoints)
{
var firstClassProb = dataPoint.Scores.First();
var lastClassProb = dataPoint.Scores.Last();
Console.WriteLine("The probability of being the first class is " +
(firstClassProb * 100) + "%.");
Console.WriteLine($"The probability of being the last class is " +
(lastClassProb * 100) + "%.");
}
// Expected output:
// The probability of being the first class is 0.002542659%.
// The probability of being the last class is 0.0292684%.
// The probability of being the first class is 0.02258059%.
// The probability of being the last class is 0.394428%.
}
// This class is used in Example() to describe data points which will be
// consumed by ML.NET pipeline.
private class ImageDataPoint
{
// Height of Image.
private const int height = 224;
// Width of Image.
private const int width = 224;
// Image will be consumed by ONNX image multiclass classification model.
[ImageType(height, width)]
public MLImage Image { get; set; }
// Expected output of ONNX model. It contains probabilities of all
// classes. Note that the ColumnName below should match the output name
// in the used ONNX model file.
[ColumnName("softmaxout_1")]
public float[] Scores { get; set; }
public ImageDataPoint()
{
Image = null;
}
public ImageDataPoint(byte red, byte green, byte blue)
{
byte[] imageData = new byte[width * height * 4]; // 4 for the red, green, blue and alpha colors
for (int i = 0; i < imageData.Length; i += 4)
{
// Fill the buffer with the Bgra32 format
imageData[i] = blue;
imageData[i + 1] = green;
imageData[i + 2] = red;
imageData[i + 3] = 255;
}
Image = MLImage.CreateFromPixels(width, height, MLPixelFormat.Bgra32, imageData);
}
}
}
}
Keterangan
Jika nilai gpuDeviceId adalah nullMLContext.GpuDeviceId nilai akan digunakan jika bukan null.
Berlaku untuk
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)
Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke inputColumnNames kolom.
Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string[] outputColumnNames, string[] inputColumnNames, string modelFile, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string[] * string[] * string * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnNames As String(), inputColumnNames As String(), modelFile As String, Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParameter
- catalog
- TransformsCatalog
Katalog transformasi.
- outputColumnNames
- String[]
Kolom output yang dihasilkan dari transformasi.
- inputColumnNames
- String[]
Kolom input.
- modelFile
- String
Jalur file yang berisi model ONNX.
ID perangkat GPU opsional untuk menjalankan eksekusi, null untuk berjalan pada CPU.
- fallbackToCpu
- Boolean
Jika kesalahan GPU, ajukan pengecualian atau fallback ke CPU.
Mengembalikan
Keterangan
Jika nilai gpuDeviceId adalah nullMLContext.GpuDeviceId nilai akan digunakan jika bukan null.
Berlaku untuk
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
OnnxScoringEstimatorBuat , yang menerapkan model Onnx yang telah dilatih sebelumnya ke inputColumnName kolom.
Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string outputColumnName, string inputColumnName, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * string * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnName As String, inputColumnName As String, modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParameter
- catalog
- TransformsCatalog
Katalog transformasi.
- outputColumnName
- String
Kolom output yang dihasilkan dari transformasi.
- inputColumnName
- String
Kolom input.
- modelFile
- String
Jalur file yang berisi model ONNX.
- shapeDictionary
- IDictionary<String,Int32[]>
Bentuk ONNX yang akan digunakan atas yang dimuat dari modelFile.
Untuk kunci, gunakan nama seperti yang dinyatakan dalam model ONNX, misalnya "input". Menyatakan bentuk dengan parameter ini sangat berguna untuk bekerja dengan input dan output dimensi variabel.
ID perangkat GPU opsional untuk menjalankan eksekusi, null untuk berjalan pada CPU.
- fallbackToCpu
- Boolean
Jika kesalahan GPU, ajukan pengecualian atau fallback ke CPU.
Mengembalikan
Contoh
using System;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms.Image;
namespace Samples.Dynamic
{
public static class ApplyOnnxModelWithInMemoryImages
{
// Example of applying ONNX transform on in-memory images.
public static void Example()
{
// Download the squeeznet image model from ONNX model zoo, version 1.2
// https://github.com/onnx/models/tree/master/vision/classification/squeezenet or use
// Microsoft.ML.Onnx.TestModels nuget.
// It's a multiclass classifier. It consumes an input "data_0" and
// produces an output "softmaxout_1".
var modelPath = @"squeezenet\00000001\model.onnx";
// Create ML pipeline to score the data using OnnxScoringEstimator
var mlContext = new MLContext();
// Create in-memory data points. Its Image/Scores field is the
// input /output of the used ONNX model.
var dataPoints = new ImageDataPoint[]
{
new ImageDataPoint(red: 255, green: 0, blue: 0), // Red color
new ImageDataPoint(red: 0, green: 128, blue: 0) // Green color
};
// Convert training data to IDataView, the general data type used in
// ML.NET.
var dataView = mlContext.Data.LoadFromEnumerable(dataPoints);
// Create a ML.NET pipeline which contains two steps. First,
// ExtractPixle is used to convert the 224x224 image to a 3x224x224
// float tensor. Then the float tensor is fed into a ONNX model with an
// input called "data_0" and an output called "softmaxout_1". Note that
// "data_0" and "softmaxout_1" are model input and output names stored
// in the used ONNX model file. Users may need to inspect their own
// models to get the right input and output column names.
// Map column "Image" to column "data_0"
// Map column "data_0" to column "softmaxout_1"
var pipeline = mlContext.Transforms.ExtractPixels("data_0", "Image")
.Append(mlContext.Transforms.ApplyOnnxModel("softmaxout_1",
"data_0", modelPath));
var model = pipeline.Fit(dataView);
var onnx = model.Transform(dataView);
// Convert IDataView back to IEnumerable<ImageDataPoint> so that user
// can inspect the output, column "softmaxout_1", of the ONNX transform.
// Note that Column "softmaxout_1" would be stored in ImageDataPont
//.Scores because the added attributed [ColumnName("softmaxout_1")]
// tells that ImageDataPont.Scores is equivalent to column
// "softmaxout_1".
var transformedDataPoints = mlContext.Data.CreateEnumerable<
ImageDataPoint>(onnx, false).ToList();
// The scores are probabilities of all possible classes, so they should
// all be positive.
foreach (var dataPoint in transformedDataPoints)
{
var firstClassProb = dataPoint.Scores.First();
var lastClassProb = dataPoint.Scores.Last();
Console.WriteLine("The probability of being the first class is " +
(firstClassProb * 100) + "%.");
Console.WriteLine($"The probability of being the last class is " +
(lastClassProb * 100) + "%.");
}
// Expected output:
// The probability of being the first class is 0.002542659%.
// The probability of being the last class is 0.0292684%.
// The probability of being the first class is 0.02258059%.
// The probability of being the last class is 0.394428%.
}
// This class is used in Example() to describe data points which will be
// consumed by ML.NET pipeline.
private class ImageDataPoint
{
// Height of Image.
private const int height = 224;
// Width of Image.
private const int width = 224;
// Image will be consumed by ONNX image multiclass classification model.
[ImageType(height, width)]
public MLImage Image { get; set; }
// Expected output of ONNX model. It contains probabilities of all
// classes. Note that the ColumnName below should match the output name
// in the used ONNX model file.
[ColumnName("softmaxout_1")]
public float[] Scores { get; set; }
public ImageDataPoint()
{
Image = null;
}
public ImageDataPoint(byte red, byte green, byte blue)
{
byte[] imageData = new byte[width * height * 4]; // 4 for the red, green, blue and alpha colors
for (int i = 0; i < imageData.Length; i += 4)
{
// Fill the buffer with the Bgra32 format
imageData[i] = blue;
imageData[i + 1] = green;
imageData[i + 2] = red;
imageData[i + 3] = 255;
}
Image = MLImage.CreateFromPixels(width, height, MLPixelFormat.Bgra32, imageData);
}
}
}
}
Keterangan
Jika nilai gpuDeviceId adalah nullMLContext.GpuDeviceId nilai akan digunakan jika bukan null.
Berlaku untuk
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke inputColumnNames kolom.
Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string[] outputColumnNames, string[] inputColumnNames, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string[] * string[] * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnNames As String(), inputColumnNames As String(), modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParameter
- catalog
- TransformsCatalog
Katalog transformasi.
- outputColumnNames
- String[]
Kolom output yang dihasilkan dari transformasi.
- inputColumnNames
- String[]
Kolom input.
- modelFile
- String
Jalur file yang berisi model ONNX.
- shapeDictionary
- IDictionary<String,Int32[]>
Bentuk ONNX yang akan digunakan atas bentuk yang dimuat dari modelFile.
Untuk kunci, gunakan nama seperti yang dinyatakan dalam model ONNX, misalnya "input". Menyatakan bentuk dengan parameter ini sangat berguna untuk bekerja dengan input dan output dimensi variabel.
ID perangkat GPU opsional untuk menjalankan eksekusi, null untuk berjalan pada CPU.
- fallbackToCpu
- Boolean
Jika kesalahan GPU, ajukan pengecualian atau fallback ke CPU.
Mengembalikan
Keterangan
Jika nilai gpuDeviceId adalah nullMLContext.GpuDeviceId nilai akan digunakan jika bukan null.
Berlaku untuk
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)
Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke inputColumnNames kolom.
Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string[] outputColumnNames, string[] inputColumnNames, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false, int recursionLimit = 100);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string[] * string[] * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool * int -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnNames As String(), inputColumnNames As String(), modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false, Optional recursionLimit As Integer = 100) As OnnxScoringEstimatorParameter
- catalog
- TransformsCatalog
Katalog transformasi.
- outputColumnNames
- String[]
Kolom output yang dihasilkan dari transformasi.
- inputColumnNames
- String[]
Kolom input.
- modelFile
- String
Jalur file yang berisi model ONNX.
- shapeDictionary
- IDictionary<String,Int32[]>
Bentuk ONNX yang akan digunakan atas bentuk yang dimuat dari modelFile.
Untuk kunci, gunakan nama seperti yang dinyatakan dalam model ONNX, misalnya "input". Menyatakan bentuk dengan parameter ini sangat berguna untuk bekerja dengan input dan output dimensi variabel.
ID perangkat GPU opsional untuk menjalankan eksekusi, null untuk berjalan pada CPU.
- fallbackToCpu
- Boolean
Jika kesalahan GPU, ajukan pengecualian atau fallback ke CPU.
- recursionLimit
- Int32
Opsional, menentukan batas rekursi Protobuf CodedInputStream. Nilai default adalah 100.
Mengembalikan
Keterangan
Jika nilai gpuDeviceId adalah nullMLContext.GpuDeviceId nilai akan digunakan jika bukan null.
Berlaku untuk
Saran dan Komentar
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat: https://aka.ms/ContentUserFeedback.
Kirim dan lihat umpan balik untuk