英語で読む

次の方法で共有


OnnxCatalog.ApplyOnnxModel メソッド

定義

オーバーロード

ApplyOnnxModel(TransformsCatalog, OnnxOptions)

指定したOnnxOptionsOnnxScoringEstimator使用して作成します。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを入力列に適用する 、作成します。 入力/出力列は、指定された ONNX モデルの入出力列に基づいて決定されます。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを入力列に適用する 、作成します。 入力/出力列は、指定された ONNX モデルの入出力列に基づいて決定されます。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを列に適用する inputColumnName 、作成します。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを列に適用する 、作成しますinputColumnNames。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを列に適用する inputColumnName 、作成します。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを列に適用する 、作成しますinputColumnNames。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを列に適用する 、作成しますinputColumnNames。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

ApplyOnnxModel(TransformsCatalog, OnnxOptions)

指定したOnnxOptionsOnnxScoringEstimator使用して作成します。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, Microsoft.ML.Transforms.Onnx.OnnxOptions options);

パラメーター

catalog
TransformsCatalog

変換のカタログ。

options
OnnxOptions

OnnxScoringEstimatorオプション

戻り値

注釈

オプションの場合。GpuDeviceId 値は、nullMLContext.GpuDeviceId値が使用nullされない場合に使用されます。

適用対象

ML.NET 3.0.0 およびその他のバージョン
製品 バージョン
ML.NET 1.7.0, 2.0.0, 3.0.0

ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを入力列に適用する 、作成します。 入力/出力列は、指定された ONNX モデルの入出力列に基づいて決定されます。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string modelFile, int? gpuDeviceId = default, bool fallbackToCpu = false);

パラメーター

catalog
TransformsCatalog

変換のカタログ。

modelFile
String

ONNX モデルを含むファイルのパス。

gpuDeviceId
Nullable<Int32>

CPU 上で実行する、 null 実行を実行するオプションの GPU デバイス ID。

fallbackToCpu
Boolean

GPU エラーが発生した場合は、例外を発生させるか、CPU にフォールバックします。

戻り値

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; }
        }
    }
}

注釈

入力列の名前/型は、ONNX モデル入力の名前/型と完全に一致する必要があります。 生成される出力列の名前/型は、ONNX モデル出力の名前/型と一致します。 gpuDeviceId 値がnullそれ以外nullMLContext.GpuDeviceId場合は値が使用されます。

適用対象

ML.NET 3.0.0 およびその他のバージョン
製品 バージョン
ML.NET 1.2.0, 1.3.1, 1.4.0, 1.5.0, 1.6.0, 1.7.0, 2.0.0, 3.0.0

ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを入力列に適用する 、作成します。 入力/出力列は、指定された ONNX モデルの入出力列に基づいて決定されます。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

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);

パラメーター

catalog
TransformsCatalog

変換のカタログ。

modelFile
String

ONNX モデルを含むファイルのパス。

shapeDictionary
IDictionary<String,Int32[]>

読み込まれる modelFileものに対して使用される ONNX 図形。 キーの場合は、ONNX モデルに記載されている名前 (例: "input") を使用します。 このパラメーターを使用して図形を指定することは、可変ディメンションの入力と出力を操作する場合に特に便利です。

gpuDeviceId
Nullable<Int32>

CPU 上で実行する、 null 実行を実行するオプションの GPU デバイス ID。

fallbackToCpu
Boolean

GPU エラーが発生した場合は、例外を発生させるか、CPU にフォールバックします。

戻り値

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; }
        }
    }
}

注釈

入力列の名前/型は、ONNX モデル入力の名前/型と完全に一致する必要があります。 生成される出力列の名前/型は、ONNX モデル出力の名前/型と一致します。 gpuDeviceId 値がnullそれ以外nullMLContext.GpuDeviceId場合は値が使用されます。

適用対象

ML.NET 3.0.0 およびその他のバージョン
製品 バージョン
ML.NET 1.3.1, 1.4.0, 1.5.0, 1.6.0, 1.7.0, 2.0.0, 3.0.0

ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを列に適用する inputColumnName 、作成します。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

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);

パラメーター

catalog
TransformsCatalog

変換のカタログ。

outputColumnName
String

変換の結果の出力列。

inputColumnName
String

入力列。

modelFile
String

ONNX モデルを含むファイルのパス。

gpuDeviceId
Nullable<Int32>

CPU 上で実行する、 null 実行を実行するオプションの GPU デバイス ID。

fallbackToCpu
Boolean

GPU エラーが発生した場合は、例外を発生させるか、CPU にフォールバックします。

戻り値

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);
            }
        }
    }
}

注釈

gpuDeviceId 値がnullそれ以外nullMLContext.GpuDeviceId場合は値が使用されます。

適用対象

ML.NET 3.0.0 およびその他のバージョン
製品 バージョン
ML.NET 1.2.0, 1.3.1, 1.4.0, 1.5.0, 1.6.0, 1.7.0, 2.0.0, 3.0.0

ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを列に適用する 、作成しますinputColumnNames。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

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);

パラメーター

catalog
TransformsCatalog

変換のカタログ。

outputColumnNames
String[]

変換の結果の出力列。

inputColumnNames
String[]

入力列。

modelFile
String

ONNX モデルを含むファイルのパス。

gpuDeviceId
Nullable<Int32>

CPU 上で実行する、 null 実行を実行するオプションの GPU デバイス ID。

fallbackToCpu
Boolean

GPU エラーが発生した場合は、例外を発生させるか、CPU にフォールバックします。

戻り値

注釈

gpuDeviceId 値がnullそれ以外nullMLContext.GpuDeviceId場合は値が使用されます。

適用対象

ML.NET 3.0.0 およびその他のバージョン
製品 バージョン
ML.NET 1.2.0, 1.3.1, 1.4.0, 1.5.0, 1.6.0, 1.7.0, 2.0.0, 3.0.0

ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

OnnxScoringEstimator事前トレーニング済みの Onnx モデルを列に適用する inputColumnName 、作成します。 必要な依存関係と GPU で実行する方法の詳細については、こちらをご覧 OnnxScoringEstimator ください。

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);

パラメーター

catalog
TransformsCatalog

変換のカタログ。

outputColumnName
String

変換の結果の出力列。

inputColumnName
String

入力列。

modelFile
String

ONNX モデルを含むファイルのパス。

shapeDictionary
IDictionary<String,Int32[]>

読み込まれる modelFileものに対して使用される ONNX 図形。 キーの場合は、ONNX モデルに記載されている名前 (例: "input") を使用します。 このパラメーターを使用して図形を指定することは、可変ディメンションの入力と出力を操作する場合に特に便利です。

gpuDeviceId
Nullable<Int32>

CPU 上で実行する、 null 実行を実行するオプションの GPU デバイス ID。

fallbackToCpu
Boolean

GPU エラーが発生した場合は、例外を発生させるか、CPU にフォールバックします。

戻り値

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);
            }
        }
    }
}

注釈

gpuDeviceId 値がnullそれ以外nullMLContext.GpuDeviceId場合は値が使用されます。

適用対象

ML.NET 3.0.0 およびその他のバージョン
製品 バージョン
ML.NET 1.3.1, 1.4.0, 1.5.0, 1.6.0, 1.7.0, 2.0.0, 3.0.0

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

事前トレーニング OnnxScoringEstimator済みの Onnx モデルを列に適用する inputColumnNames 、を作成します。 必要な依存関係と GPU で実行する方法の詳細については、こちらを参照 OnnxScoringEstimator してください。

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);

パラメーター

catalog
TransformsCatalog

変換のカタログ。

outputColumnNames
String[]

変換の結果の出力列。

inputColumnNames
String[]

入力列。

modelFile
String

ONNX モデルを含むファイルのパス。

shapeDictionary
IDictionary<String,Int32[]>

から読み込まれる modelFileものに対して使用される ONNX 図形。 キーの場合は、ONNX モデルに記載されている名前 (例: "input") を使用します。 このパラメーターを使用して図形を指定することは、可変ディメンションの入力と出力を操作する場合に特に役立ちます。

gpuDeviceId
Nullable<Int32>

CPU で実行するために実行 null を実行するオプションの GPU デバイス ID。

fallbackToCpu
Boolean

GPU エラーが発生した場合は、例外を発生させるか、CPU にフォールバックします。

戻り値

注釈

gpuDeviceId 値がnullMLContext.GpuDeviceId値でない場合は、値がnull使用されます。

適用対象

ML.NET 3.0.0 およびその他のバージョン
製品 バージョン
ML.NET 1.3.1, 1.4.0, 1.5.0, 1.6.0, 1.7.0, 2.0.0, 3.0.0

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)

事前トレーニング OnnxScoringEstimator済みの Onnx モデルを列に適用する inputColumnNames 、を作成します。 必要な依存関係と GPU で実行する方法の詳細については、こちらを参照 OnnxScoringEstimator してください。

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);

パラメーター

catalog
TransformsCatalog

変換のカタログ。

outputColumnNames
String[]

変換の結果の出力列。

inputColumnNames
String[]

入力列。

modelFile
String

ONNX モデルを含むファイルのパス。

shapeDictionary
IDictionary<String,Int32[]>

から読み込まれる modelFileものに対して使用される ONNX 図形。 キーの場合は、ONNX モデルに記載されている名前 (例: "input") を使用します。 このパラメーターを使用して図形を指定することは、可変ディメンションの入力と出力を操作する場合に特に役立ちます。

gpuDeviceId
Nullable<Int32>

CPU で実行するために実行 null を実行するオプションの GPU デバイス ID。

fallbackToCpu
Boolean

GPU エラーが発生した場合は、例外を発生させるか、CPU にフォールバックします。

recursionLimit
Int32

オプションで、Protobuf CodedInputStream 再帰制限を指定します。 既定値は 100 です。

戻り値

注釈

gpuDeviceId 値がnullMLContext.GpuDeviceId値でない場合は、値がnull使用されます。

適用対象

ML.NET 3.0.0 およびその他のバージョン
製品 バージョン
ML.NET 1.6.0, 1.7.0, 2.0.0, 3.0.0