Menyebarkan model di aplikasi Windows dengan Windows ML API

Artikel
07/11/2023

Di bagian sebelumnya dari tutorial ini, Anda mempelajari cara membangun dan mengekspor model dalam format ONNX. Sekarang, kami akan menunjukkan kepada Anda cara menyematkan model yang diekspor ke dalam aplikasi Windows, dan menjalankannya secara lokal di perangkat dengan memanggil API WinML.

Pada saat kami selesai, Anda akan memiliki aplikasi klasifikasi gambar yang berfungsi.

Tentang aplikasi sampel

Dalam langkah tutorial ini, Anda akan membuat aplikasi yang dapat mengklasifikasikan gambar menggunakan model ML Anda. UI dasarnya memungkinkan Anda memilih gambar dari perangkat lokal Anda, dan menggunakan model ONNX klasifikasi yang Anda buat dan latih di bagian sebelumnya untuk mengklasifikasikannya. Tag yang dikembalikan oleh model kemudian ditampilkan di samping gambar.

Di sini, kami akan memandul Anda melalui proses itu.

Catatan

Jika Anda memilih untuk menggunakan sampel kode yang telah ditentukan sebelumnya, Anda dapat mengkloning file solusi. Kloning repositori, navigasikan ke sampel ini, dan buka classifierPyTorch.sln file dengan Visual Studio.Lewati ke Luncurkan bagian Aplikasi dari halaman ini untuk melihatnya digunakan.

Di bawah ini, kami akan memandu Anda cara membuat aplikasi dan menambahkan kode Windows ML.

Membuat Windows ML UWP (C#)

Untuk membuat aplikasi Windows ML yang berfungsi, Anda harus melakukan hal berikut:

Muat model pembelajaran mesin.
Muat gambar dalam format yang diperlukan.
Ikat input dan output model.
Mengevaluasi model dan menampilkan hasil yang bermakna.

Anda juga harus membuat UI dasar, karena sulit untuk membuat aplikasi berbasis gambar yang memuaskan di baris perintah.

Membuka proyek baru dalam Visual Studio

Mari kita mulai. Buka Visual Studio dan pilih buat proyek baru.

Create new Visual Studio project

Di bilah pencarian, ketik UWP, lalu pilih Blank APP (Universal Windows). Ini membuka proyek C# untuk aplikasi Platform Windows Universal satu halaman (UWP) dengan kontrol atau tata letak yang telah ditentukan sebelumnya. Pilih next untuk membuka jendela konfigurasi untuk proyek.

Create new UWP app

Di jendela konfigurasi, lakukan hal berikut:

Beri nama proyek Anda. Di sini, kami menyebutnya pengklasifikasiPyTorch.
Pilih lokasi proyek Anda.
Jika Anda menggunakan VS2019, pastikan Create directory for solution dicentang.
Jika Anda menggunakan VS2017, pastikan Place solution and project in the same directory tidak dicentang.

New UWP app setup

Tekan create untuk membuat proyek Anda. Jendela versi target minimum dapat muncul. Pastikan versi minimum Anda diatur ke Windows 10, versi 1809 (10.0; build 17763) atau yang lebih tinggi.

Setelah proyek dibuat, navigasikan ke folder proyek, buka folder aset , dan salin file Anda ImageClassifier.onnx [….\classifierPyTorch \Assets]ke lokasi ini.

Menjelajahi solusi proyek

Mari kita jelajahi solusi proyek Anda.

Visual Studio secara otomatis membuat beberapa file kode cs di dalam Penjelajah Solusi. MainPage.xaml berisi kode XAML untuk GUI Anda, dan MainPage.xaml.cs berisi kode aplikasi Anda, juga dikenal sebagai kode di belakang. Jika Anda telah membuat aplikasi UWP sebelumnya, file-file ini harus sangat akrab bagi Anda.

UWP app solution

Membuat GUI Aplikasi

Pertama, mari kita buat GUI sederhana untuk aplikasi Anda.

Klik dua kali pada MainPage.xaml file kode. Di aplikasi kosong Anda, templat XAML untuk GUI aplikasi Anda kosong, jadi kita harus menambahkan beberapa fitur UI.
Tambahkan kode di bawah ini ke MainPage.xaml, menggantikan <Grid> tag dan </Grid> .

    <Grid Background="{ThemeResource ApplicationPageBackgroundThemeBrush}"> 

        <StackPanel Margin="1,0,-1,0"> 
            <TextBlock x:Name="Menu"  
                       FontWeight="Bold"  
                       TextWrapping="Wrap" 
                       Margin="10,0,0,0" 
                       Text="Image Classification"/> 
            <TextBlock Name="space" /> 
            <Button Name="recognizeButton" 
                    Content="Pick Image" 
                    Click="OpenFileButton_Click"  
                    Width="110" 
                    Height="40" 
                    IsEnabled="True"  
                    HorizontalAlignment="Left"/> 
            <TextBlock Name="space3" /> 
            <Button Name="Output" 
                    Content="Result is:" 
                    Width="110" 
                    Height="40" 
                    IsEnabled="True"  
                    HorizontalAlignment="Left"  
                    VerticalAlignment="Top"> 
            </Button> 
            <!--Display the Result--> 
            <TextBlock Name="displayOutput"  
                       FontWeight="Bold"  
                       TextWrapping="Wrap" 
                       Margin="25,0,0,0" 
                       Text="" Width="1471" /> 
            <TextBlock Name="space2" /> 
            <!--Image preview --> 
            <Image Name="UIPreviewImage" Stretch="Uniform" MaxWidth="300" MaxHeight="300"/> 
        </StackPanel> 
    </Grid>

Menambahkan model ke proyek menggunakan Windows ML Code Generator (mlgen)

Windows Pembelajaran Mesin Code Generator, atau mlgen, adalah ekstensi Visual Studio untuk membantu Anda mulai menggunakan API WinML di aplikasi UWP. Ini menghasilkan kode templat saat Anda menambahkan file ONNX terlatih ke dalam proyek UWP.

Mlgen generator kode Windows Pembelajaran Mesin membuat antarmuka (untuk C#, C++/WinRT, dan C++/CX) dengan kelas pembungkus yang memanggil Windows ML API untuk Anda. Ini memungkinkan Anda untuk dengan mudah memuat, mengikat, dan mengevaluasi model dalam proyek Anda. Kita akan menggunakannya dalam tutorial ini untuk menangani banyak fungsi tersebut bagi kita.

Generator kode tersedia untuk Visual Studio 2017 dan yang lebih baru. Sebaiknya gunakan Visual Studio. Perlu diketahui bahwa di Windows 10, versi 1903 dan yang lebih baru, mlgen tidak lagi disertakan dalam Windows 10 SDK, sehingga Anda harus mengunduh dan menginstal ekstensi. Jika Anda telah mengikuti tutorial ini dari pengantar, Anda akan telah menangani ini, tetapi jika tidak, Anda harus mengunduh untuk VS 2019 atau untuk VS 2017.

Catatan

Untuk mempelajari lebih lanjut tentang mlgen, silakan lihat dokumentasi mlgen

Jika Anda belum melakukannya, instal mlgen.
Klik kanan pada Assets folder di Penjelajah Solusi di Visual studio, dan pilih Add > Existing Item.
Navigasi ke folder aset di dalam classifierPyTorch [….\classifierPyTorch \Assets], temukan model ONNX yang sebelumnya Anda salin di sana, dan pilih add.
Setelah Anda menambahkan model ONNX ke folder aset di penjelajah solusi di VS, proyek sekarang harus memiliki dua file baru:

ImageClassifier.onnx - ini adalah model Anda dalam format ONNX.
ImageClassifier.cs – file kode WinML yang dihasilkan secara otomatis.

ONNX files in your UWP app solution

Untuk memastikan model dibuat saat Anda mengkompilasi aplikasi kami, pilih ImageClassifier.onnx file dan pilih Properties. Untuk Build Action, pilih Content.

Kode file ONNX

Sekarang, mari kita jelajahi kode yang baru dibuat dalam ImageClassifier.cs file.

Kode yang dihasilkan mencakup tiga kelas:

ImageClassifierModel: Kelas ini mencakup dua metode untuk instansiasi model dan evaluasi model. Ini akan membantu kami membuat representasi model pembelajaran mesin, membuat sesi pada perangkat default sistem, mengikat input dan output tertentu ke model, dan mengevaluasi model secara asinkron.
ImageClassifierInput: Kelas ini menginisialisasi jenis input yang diharapkan model. Input model tergantung pada persyaratan model untuk data input.
ImageClassifierOutput: Kelas ini menginisialisasi jenis yang akan dihasilkan model. Output model tergantung pada bagaimana output didefinisikan oleh model.

Dalam tutorial ini, kita tidak ingin berurusan dengan tensorisasi. Kita akan membuat sedikit perubahan pada ImageClassifierInput kelas, untuk mengubah jenis data input dan membuat hidup kita lebih mudah.

Buat perubahan berikut dalam ImageClassifier.cs file:

input Ubah variabel dari menjadi TensorFloat ImageFeatureValue.

public sealed class ImageClassifierInput 
    { 
        public ImageFeatureValue input; // shape(-1,3,32,32) 
    }

Muat Model

Klik dua kali pada MainPage.xaml.cs file untuk membuka code-behind untuk aplikasi.
Ganti pernyataan "menggunakan" dengan mengikuti, untuk mendapatkan akses ke semua API yang akan Anda butuhkan:

// Specify all the using statements which give us the access to all the APIs that we'll need 
using System; 
using System.Threading.Tasks; 
using Windows.AI.MachineLearning; 
using Windows.Graphics.Imaging; 
using Windows.Media; 
using Windows.Storage; 
using Windows.Storage.Pickers; 
using Windows.Storage.Streams; 
using Windows.UI.Xaml; 
using Windows.UI.Xaml.Controls; 
using Windows.UI.Xaml.Media.Imaging;

Tambahkan deklarasi variabel berikut di dalam kelas Anda MainPage , di atas public MainPage() fungsi .

        // All the required fields declaration 
        private ImageClassifierModel modelGen; 
        private ImageClassifierInput image = new ImageClassifierInput(); 
        private ImageClassifierOutput results; 
        private StorageFile selectedStorageFile; 
        private string label = ""; 
        private float probability = 0; 
        private Helper helper = new Helper(); 

        public enum Labels 
        {             
            plane,
            car,
            bird,
            cat,
            deer,
            dog,
            frog,
            horse,
            ship,
            truck
        }

Sekarang, Anda akan menerapkan metode .LoadModel Metode ini akan mengakses model ONNX dan menyimpannya dalam memori. Kemudian, Anda akan menggunakan CreateFromStreamAsync metode untuk membuat instans model sebagai LearningModel objek. Kelas mewakili LearningModel model pembelajaran mesin terlatih. Setelah dibuat, LearningModel adalah objek awal yang Anda gunakan untuk berinteraksi dengan Windows ML.

Untuk memuat model, Anda dapat menggunakan beberapa metode statis di LearningModel kelas . Dalam hal ini, Anda akan menggunakan metode .CreateFromStreamAsync

Metode CreateFromStreamAsync ini secara otomatis dibuat dengan mlgen, sehingga Anda tidak perlu menerapkan metode ini. Anda dapat meninjau metode ini dengan mengklik dua kali pada classifier.cs file yang dihasilkan oleh mlgen.

Catatan

Untuk mempelajari lebih lanjut tentang LearningModel kelas, silakan tinjau dokumentasi Kelas Pembelajaran Model. Untuk mempelajari selengkapnya tentang cara memuat model tambahan, silakan tinjau dokumentasi Muat model

Tambahkan panggilan ke loadModel metode ke konstruktor kelas utama.

        // The main page to initialize and execute the model.
        public MainPage()
        {
            this.InitializeComponent();
            loadModel();
        }

Tambahkan implementasi metode , di dalam kelas itu loadModel MainPage .

        private async Task loadModel()
        {
            // Get an access the ONNX model and save it in memory.
            StorageFile modelFile = await StorageFile.GetFileFromApplicationUriAsync(new Uri($"ms-appx:///Assets/ImageClassifier.onnx"));
            // Instantiate the model. 
            modelGen = await ImageClassifierModel.CreateFromStreamAsync(modelFile);
        }

Muat Gambar

Kita perlu menentukan peristiwa klik untuk memulai urutan empat panggilan metode untuk eksekusi model - konversi, pengikatan dan evaluasi, ekstraksi output, dan menampilkan hasilnya. Tambahkan metode berikut ke file kode Anda MainPage.xaml.cs di MainPage dalam kelas .

        // Waiting for a click event to select a file 
        private async void OpenFileButton_Click(object sender, RoutedEventArgs e)
        {
            if (!await getImage())
            {
                return;
            }
            // After the click event happened and an input selected, begin the model execution. 
            // Bind the model input
            await imageBind();
            // Model evaluation
            await evaluate();
            // Extract the results
            extractResult();
            // Display the results  
            await displayResult();
        }

Sekarang, Anda akan menerapkan metode .getImage() Metode ini akan memilih file gambar input dan menyimpannya dalam memori. Tambahkan metode berikut ke file kode Anda MainPage.xaml.cs di MainPage dalam kelas .

        // A method to select an input image file
        private async Task<bool> getImage()
        {
            try
            {
                // Trigger file picker to select an image file
                FileOpenPicker fileOpenPicker = new FileOpenPicker();
                fileOpenPicker.SuggestedStartLocation = PickerLocationId.PicturesLibrary;
                fileOpenPicker.FileTypeFilter.Add(".jpg");
                fileOpenPicker.FileTypeFilter.Add(".png");
                fileOpenPicker.ViewMode = PickerViewMode.Thumbnail;
                selectedStorageFile = await fileOpenPicker.PickSingleFileAsync();
                if (selectedStorageFile == null)
                {
                    return false;
                }
            }
            catch (Exception)
            {
                return false;
            }
            return true;
        }

Selanjutnya, Anda akan menerapkan metode gambar Bind() untuk mendapatkan representasi file dalam format bitmap BGRA8. Tetapi pertama-tama, Anda akan membuat kelas pembantu untuk mengubah ukuran gambar.

Untuk membuat file pembantu, klik kanan pada nama solusi (ClassifierPyTorch), lalu pilih Add a new item. Di jendela yang terbuka, pilih Class dan beri nama. Di sini, kami menyebutnya Helper.

Add a Helper file

File kelas baru akan muncul dalam proyek Anda. Buka kelas ini, dan tambahkan kode berikut:

using System; 
using System.Threading.Tasks; 
using Windows.Graphics.Imaging; 
using Windows.Media; 

namespace classifierPyTorch 
{ 
    public class Helper 
    { 
        private const int SIZE = 32;  
        VideoFrame cropped_vf = null; 
 
        public async Task<VideoFrame> CropAndDisplayInputImageAsync(VideoFrame inputVideoFrame) 
        { 
            bool useDX = inputVideoFrame.SoftwareBitmap == null; 

            BitmapBounds cropBounds = new BitmapBounds(); 
            uint h = SIZE; 
            uint w = SIZE; 
            var frameHeight = useDX ? inputVideoFrame.Direct3DSurface.Description.Height : inputVideoFrame.SoftwareBitmap.PixelHeight; 
            var frameWidth = useDX ? inputVideoFrame.Direct3DSurface.Description.Width : inputVideoFrame.SoftwareBitmap.PixelWidth; 
 
            var requiredAR = ((float)SIZE / SIZE); 
            w = Math.Min((uint)(requiredAR * frameHeight), (uint)frameWidth); 
            h = Math.Min((uint)(frameWidth / requiredAR), (uint)frameHeight); 
            cropBounds.X = (uint)((frameWidth - w) / 2); 
            cropBounds.Y = 0; 
            cropBounds.Width = w; 
            cropBounds.Height = h; 
 
            cropped_vf = new VideoFrame(BitmapPixelFormat.Bgra8, SIZE, SIZE, BitmapAlphaMode.Ignore); 
 
            await inputVideoFrame.CopyToAsync(cropped_vf, cropBounds, null); 
            return cropped_vf; 
        } 
    } 
}

Sekarang, mari kita konversi gambar ke format yang sesuai.

Kelas ImageClassifierInput menginisialisasi jenis input yang diharapkan model. Dalam kasus kami, kami mengonfigurasi kode kami untuk mengharapkan ImageFeatureValue.

Kelas menjelaskan ImageFeatureValue properti gambar yang digunakan untuk meneruskan ke model. Untuk membuat ImageFeatureValue, Anda menggunakan CreateFromVideoFrame metode . Untuk detail yang lebih spesifik tentang mengapa hal ini terjadi dan cara kerja kelas dan metode ini, lihat dokumentasi kelas ImageFeatureValue

Catatan

Dalam tutorial ini, kita menggunakan ImageFeatureValue kelas alih-alih tensor. Jika Window ML tidak mendukung format warna model Anda, ini tidak akan menjadi opsi. Untuk contoh cara bekerja dengan konversi gambar dan tensorisasi, lihat Sampel Tensorisasi Kustom.

Tambahkan implementasi metode ke convert() file kode Anda MainPage.xaml.cs di dalam kelas MainPage. Metode konversi akan memberi kita representasi file input dalam format BGRA8.

// A method to convert and bide the input image. 
private async Task imageBind () 
{
    UIPreviewImage.Source = null; 
    try
    { 
        SoftwareBitmap softwareBitmap;
        using (IRandomAccessStream stream = await selectedStorageFile.OpenAsync(FileAccessMode.Read)) 
        {
            // Create the decoder from the stream
            BitmapDecoder decoder = await BitmapDecoder.CreateAsync(stream);
            // Get the SoftwareBitmap representation of the file in BGRA8 format
            softwareBitmap = await decoder.GetSoftwareBitmapAsync();
            softwareBitmap = SoftwareBitmap.Convert(softwareBitmap, BitmapPixelFormat.Bgra8, BitmapAlphaMode.Premultiplied);
        }
        // Display the image 
        SoftwareBitmapSource imageSource = new SoftwareBitmapSource();
        await imageSource.SetBitmapAsync(softwareBitmap);
        UIPreviewImage.Source = imageSource;

        // Encapsulate the image within a VideoFrame to be bound and evaluated
        VideoFrame inputImage = VideoFrame.CreateWithSoftwareBitmap(softwareBitmap);
        // Resize the image size to 32x32  
        inputImage=await helper.CropAndDisplayInputImageAsync(inputImage); 
        // Bind the model input with image 
        ImageFeatureValue imageTensor = ImageFeatureValue.CreateFromVideoFrame(inputImage); 
        image.modelInput = imageTensor; 

        // Encapsulate the image within a VideoFrame to be bound and evaluated
        VideoFrame inputImage = VideoFrame.CreateWithSoftwareBitmap(softwareBitmap); 
        // bind the input image 
        ImageFeatureValue imageTensor = ImageFeatureValue.CreateFromVideoFrame(inputImage); 
        image.modelInput = imageTensor; 
    }
    catch (Exception e) 
    {
    }
}

Mengikat dan Mengevaluasi model

Selanjutnya, Anda akan membuat sesi berdasarkan model, mengikat input dan output dari sesi, dan mengevaluasi model.

Buat sesi untuk mengikat model:

Untuk membuat sesi, Anda menggunakan LearningModelSession kelas . Kelas ini digunakan untuk mengevaluasi model pembelajaran mesin, dan mengikat model ke perangkat yang kemudian menjalankan dan mengevaluasi model. Anda dapat memilih perangkat saat membuat sesi untuk menjalankan model pada perangkat tertentu dari komputer Anda. Perangkat default adalah CPU.

Catatan

Untuk mempelajari selengkapnya tentang cara memilih perangkat, tinjau dokumentasi Buat sesi .

Mengikat input dan output model:

Untuk mengikat input dan output, Anda menggunakan LearningModelBinding kelas . Model pembelajaran mesin memiliki fitur input dan output, yang meneruskan informasi ke dalam dan ke luar model. Ketahuilah bahwa fitur yang diperlukan harus didukung oleh API Window ML. Kelas LearningModelBinding diterapkan pada nilai yang LearningModelSession mengikat ke fitur input dan output bernama.

Implementasi pengikatan secara otomatis dihasilkan oleh mlgen, sehingga Anda tidak perlu mengurusnya. Pengikatan diimplementasikan dengan memanggil metode kelas yang LearningModelBinding telah ditentukan sebelumnya. Dalam kasus kami, metode ini menggunakan Bind metode untuk mengikat nilai ke jenis fitur bernama.

Mengevaluasi model:

Setelah Membuat sesi untuk mengikat model dan nilai terikat ke input dan output model, Anda dapat mengevaluasi input model dan mendapatkan prediksinya. Untuk menjalankan eksekusi model, Anda harus memanggil salah satu metode evaluasi yang telah ditentukan sebelumnya pada Pembelajaran ModelSession. Dalam kasus kami, kami akan menggunakan metode .EvaluateAsync

Mirip CreateFromStreamAsyncdengan , EvaluateAsync metode ini juga secara otomatis dihasilkan oleh WinML Code Generator, sehingga Anda tidak perlu menerapkan metode ini. Anda dapat meninjau metode ini dalam ImageClassifier.cs file.

Metode ini EvaluateAsync akan mengevaluasi model pembelajaran mesin secara asinkron menggunakan nilai fitur yang sudah terikat dalam pengikatan. Ini akan membuat sesi dengan LearningModelSession, mengikat input dan output dengan LearningModelBinding, menjalankan evaluasi model, dan mendapatkan fitur output model menggunakan LearningModelEvaluationResult kelas .

Catatan

Untuk mempelajari tentang metode evaluasi lain untuk menjalankan model, silakan periksa metode mana yang dapat diimplementasikan pada Pembelajaran ModelSession dengan meninjau dokumentasi Kelas Pembelajaran ModelSession.

Tambahkan metode berikut ke file kode Anda MainPage.xaml.cs di dalam kelas MainPage untuk membuat sesi, mengikat, dan mengevaluasi model.

        // A method to evaluate the model
        private async Task evaluate()
        {
            results = await modelGen.EvaluateAsync(image);
        }

Mengekstrak dan menampilkan hasilnya

Anda sekarang perlu mengekstrak output model dan menampilkan hasil yang tepat, yang akan Anda lakukan dengan menerapkan extractResult metode dan displayResult . Anda harus menemukan probabilitas tertinggi untuk mengembalikan label yang benar.

Tambahkan metode ke extractResult file kode Anda MainPage.xaml.cs di MainPage dalam kelas .

        // A method to extract output from the model 
        private void extractResult()
        {
            // Retrieve the results of evaluation
            var mResult = results.modelOutput as TensorFloat;
            // convert the result to vector format
            var resultVector = mResult.GetAsVectorView();
            
            probability = 0;
            int index = 0;
            // find the maximum probability
            for(int i=0; i<resultVector.Count; i++)
            {
                var elementProbability=resultVector[i];
                if (elementProbability > probability)
                {
                    index = i;
                }
            }
            label = ((Labels)index).ToString();
        }

Tambahkan metode ke displayResult file kode Anda MainPage.xaml.cs di MainPage dalam kelas .

        private async Task displayResult() 
        {
            displayOutput.Text = label; 
        }

Itu saja! Anda telah berhasil membuat aplikasi pembelajaran mesin Windows dengan GUI dasar untuk menguji model klasifikasi kami. Langkah selanjutnya adalah meluncurkan aplikasi dan menjalankannya secara lokal di perangkat Windows Anda.

Luncurkan aplikasi tersebut

Setelah Anda menyelesaikan antarmuka aplikasi, menambahkan model, dan menghasilkan kode Windows ML, Anda dapat menguji aplikasi!

Aktifkan mode pengembang dan uji aplikasi Anda dari Visual Studio. Pastikan menu dropdown di toolbar atas diatur ke Debug. Ubah Platform Solusi ke x64 untuk menjalankan proyek di komputer lokal Anda jika perangkat Anda 64-bit, atau x86 jika 32-bit.

Model kami dilatih untuk mengklasifikasikan gambar berikut: pesawat, mobil, burung, kucing, rusa, anjing, katak, kuda, kapal, truk. Untuk menguji aplikasi kami, Anda akan menggunakan gambar mobil Lego yang dibangun untuk proyek ini. Mari kita lihat bagaimana aplikasi kita mengklasifikasikan konten gambar.

Image for application testing

Simpan gambar ini di perangkat lokal Anda untuk menguji aplikasi. Ubah format gambar menjadi .jpg jika diperlukan. Anda juga dapat menggunakan gambar lain yang relevan dari perangkat lokal Anda dalam format .jpg atau .png.
Untuk menjalankan proyek, pilih tombol Start Debugging pada toolbar, atau tekan F5.
Saat aplikasi dimulai, tekan Pilih Gambar dan pilih gambar dari perangkat lokal Anda.

Application interface

Hasilnya akan langsung muncul di layar. Seperti yang Anda lihat, aplikasi Windows ML kami berhasil mengklasifikasikan gambar sebagai mobil.

Successful classification in your app

Ringkasan

Anda baru saja membuat aplikasi Windows Pembelajaran Mesin pertama Anda, dari pembuatan model hingga keberhasilan eksekusi.

Sumber Tambahan

Untuk mempelajari selengkapnya tentang topik yang disebutkan dalam tutorial ini, kunjungi sumber daya berikut:

Alat Windows ML: Pelajari lebih lanjut alat seperti Dasbor Windows ML, WinMLRunner, dan generator kode ML Windows mglen .
Model ONNX: Pelajari selengkapnya tentang format ONNX.
Performa dan memori Windows ML: Pelajari selengkapnya cara mengelola performa aplikasi dengan Windows ML.
Referensi WINDOWS Pembelajaran Mesin API: Pelajari selengkapnya tentang tiga area API Windows ML.

Bagikan melalui

Menyebarkan model di aplikasi Windows dengan Windows ML API

Tentang aplikasi sampel

Membuat Windows ML UWP (C#)

Membuka proyek baru dalam Visual Studio

Menjelajahi solusi proyek

Membuat GUI Aplikasi

Menambahkan model ke proyek menggunakan Windows ML Code Generator (mlgen)

Kode file ONNX

Muat Model

Muat Gambar

Mengikat dan Mengevaluasi model

Buat sesi untuk mengikat model:

Mengikat input dan output model:

Mengevaluasi model:

Mengekstrak dan menampilkan hasilnya

Luncurkan aplikasi tersebut

Ringkasan

Sumber Tambahan

Saran dan Komentar

Sumber Daya Tambahan: