Примеры машинного обучения Windows

Репозиторий Windows-Machine-Learning на GitHub содержит примеры приложений, демонстрирующих использование Машинного обучения Windows, а также средства, помогающие проверять модели и устранять неполадки во время разработки.

Образцы

На сайте GitHub доступны следующие примеры приложений.

Имя	Описание
AdapterSelection (Win32 C++)	Настольное приложение, демонстрирующее, как выбрать конкретный адаптер устройства для запуска вашей модели.
Пакетная поддержка	Показывает, как привязать и оценить пакеты входных данных с помощью Windows ML.
Пример пользовательского оператора (Win32 C++)	Настольное приложение, определяющее несколько пользовательских операторов для процессора. Одним из них является оператор отладки, который можно интегрировать в собственный рабочий процесс.
Пользовательская тензоризация (Win32 C++)	Показывает, как тензоризировать входной образ с помощью API машинного обучения Windows на ЦП и GPU.
Пользовательское визуальное распознавание (UWP C#)	Показывает, как обучить модель ONNX в облаке с помощью Пользовательского визуального распознавания и интегрировать ее в приложение с Windows ML.
Эмодзи8 (UWP C#)	Показывает, как использовать Windows ML для создания увлекательного приложения для обнаружения эмоций.
Передача стилей FNS (UWP C#)	Использует модель переноса стиля FNS-Candy для изменения стиля изображений и видеопотоков.
MNIST (UWP C#/C++)	Соответствует руководству: создание приложения UWP для Windows Machine Learning (C#). Начните с основы и ознакомьтесь с руководством или запустите завершенный проект.
NamedDimensionOverrides	Демонстрирует, как переопределить именованные измерения на конкретные значения, чтобы оптимизировать производительность модели.
PlaneIdentifier (UWP C#, WPF C#)	Использует предварительно обученную модель машинного обучения, созданную с помощью службы Пользовательского визуального распознавания в Azure, чтобы определить, содержит ли данный образ конкретный объект: плоскость.
RustSqueezeNet (RustSqueezeNet)	Использование Rust для проецирования WinRT с помощью SqueezeNet.
Обнаружение объектов SqueezeNet (Win32 C++, UWP C#/JavaScript, .NET5, .NETCORE)	Использует SqueezeNet, предварительно обученную модель машинного обучения, чтобы обнаружить преобладающий объект на изображении, выбранном пользователем из файла.
Обнаружение объектов SqueezeNet (Azure IoT Edge в Windows, C#)	Это пример модуля, показывающий, как запустить вывод Windows ML в модуле Azure IoT Edge, работающем в Windows. Изображения предоставляются подключенной камерой, обрабатываются с использованием модели SqueezeNet и отправляются в узел IoT.
StreamFromResource (ПотокFromResource)	Показывает, как взять внедренный ресурс, содержащий модель ONNX, и преобразовать его в поток, который можно передать в конструктор LearningModel.
StyleTransfer (C#)	Приложение UWP, которое выполняет передачу стиля на входных изображениях или потоках веб-камеры.
winml_tracker (ROS C++)	Узел ROS (операционная система робота), используемый Windows ML для отслеживания людей (или других объектов) в кадрах камеры.

Замечание

Используйте следующие ресурсы, чтобы получить помощь по Windows ML.

• Чтобы задать технические вопросы о машинном обучении в Windows или ответить на них, используйте тег windows-machine-learning в Stack Overflow.
• Чтобы сообщить об ошибке, отправьте сообщение о проблеме на сайте GitHub.