Udostępnij za pośrednictwem


OnnxCatalog.ApplyOnnxModel Metoda

Definicja

Przeciążenia

ApplyOnnxModel(TransformsCatalog, OnnxOptions)

Utwórz obiekt OnnxScoringEstimator przy użyciu określonego OnnxOptionselementu . Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.

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

Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny wejściowej. Kolumny wejściowe/wyjściowe są określane na podstawie kolumn wejściowych/wyjściowych dostarczonego modelu ONNX. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.

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

Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny wejściowej. Kolumny wejściowe/wyjściowe są określane na podstawie kolumn wejściowych/wyjściowych dostarczonego modelu ONNX. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.

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

Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny inputColumnName . Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.

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

Utwórz obiekt OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do inputColumnNames kolumn. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.

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

Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny inputColumnName . Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.

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

Utwórz obiekt OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do inputColumnNames kolumn. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.

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

Utwórz obiekt OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do inputColumnNames kolumn. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.

ApplyOnnxModel(TransformsCatalog, OnnxOptions)

Utwórz obiekt OnnxScoringEstimator przy użyciu określonego OnnxOptionselementu . Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze 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 OnnxScoringEstimator

Parametry

catalog
TransformsCatalog

Wykaz przekształcenia.

options
OnnxOptions

Opcje dla .OnnxScoringEstimator

Zwraca

Uwagi

Jeśli opcje. Wartość GpuDeviceId jest null wartością MLContext.GpuDeviceId , która będzie używana, jeśli nie nulljest .

Dotyczy

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

Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny wejściowej. Kolumny wejściowe/wyjściowe są określane na podstawie kolumn wejściowych/wyjściowych dostarczonego modelu ONNX. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze 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 OnnxScoringEstimator

Parametry

catalog
TransformsCatalog

Wykaz przekształcenia.

modelFile
String

Ścieżka pliku zawierającego model ONNX.

gpuDeviceId
Nullable<Int32>

Opcjonalny identyfikator urządzenia z procesorem GPU do uruchamiania wykonywania w celu null uruchomienia na procesorze CPU.

fallbackToCpu
Boolean

Jeśli błąd procesora GPU, zgłoś wyjątek lub powrót do procesora CPU.

Zwraca

Przykłady

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; }
        }
    }
}

Uwagi

Nazwa/typ kolumn wejściowych musi dokładnie odpowiadać nazwie/typowi danych wejściowych modelu ONNX. Nazwa/typ wygenerowanych kolumn wyjściowych będzie odpowiadać nazwie/typowi danych wyjściowych modelu ONNX. Jeśli wartość gpuDeviceId jest null wartością MLContext.GpuDeviceId , zostanie użyta, jeśli nie nulljest .

Dotyczy

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

Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny wejściowej. Kolumny wejściowe/wyjściowe są określane na podstawie kolumn wejściowych/wyjściowych dostarczonego modelu ONNX. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze 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 OnnxScoringEstimator

Parametry

catalog
TransformsCatalog

Wykaz przekształcenia.

modelFile
String

Ścieżka pliku zawierającego model ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Kształty ONNX, które mają być używane w przypadku tych załadowanych z modelFileelementu . W przypadku kluczy należy używać nazw określonych w modelu ONNX, np. "input". Oznaczanie kształtów za pomocą tego parametru jest szczególnie przydatne do pracy ze zmiennymi danymi wejściowymi i wyjściowymi wymiarów.

gpuDeviceId
Nullable<Int32>

Opcjonalny identyfikator urządzenia z procesorem GPU do uruchamiania wykonywania w celu null uruchomienia na procesorze CPU.

fallbackToCpu
Boolean

Jeśli błąd procesora GPU, zgłoś wyjątek lub powrót do procesora CPU.

Zwraca

Przykłady

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; }
        }
    }
}

Uwagi

Nazwa/typ kolumn wejściowych musi dokładnie odpowiadać nazwie/typowi danych wejściowych modelu ONNX. Nazwa/typ wygenerowanych kolumn wyjściowych będzie odpowiadać nazwie/typowi danych wyjściowych modelu ONNX. Jeśli wartość gpuDeviceId jest null wartością MLContext.GpuDeviceId , zostanie użyta, jeśli nie nulljest .

Dotyczy

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

Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny inputColumnName . Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze 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 OnnxScoringEstimator

Parametry

catalog
TransformsCatalog

Wykaz przekształcenia.

outputColumnName
String

Kolumna wyjściowa wynikająca z przekształcenia.

inputColumnName
String

Kolumna wejściowa.

modelFile
String

Ścieżka pliku zawierającego model ONNX.

gpuDeviceId
Nullable<Int32>

Opcjonalny identyfikator urządzenia z procesorem GPU do uruchamiania wykonywania w celu null uruchomienia na procesorze CPU.

fallbackToCpu
Boolean

Jeśli błąd procesora GPU, zgłoś wyjątek lub powrót do procesora CPU.

Zwraca

Przykłady

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);
            }
        }
    }
}

Uwagi

Jeśli wartość gpuDeviceId jest null wartością MLContext.GpuDeviceId , zostanie użyta, jeśli nie nulljest .

Dotyczy

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

Utwórz obiekt OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do inputColumnNames kolumn. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze 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 OnnxScoringEstimator

Parametry

catalog
TransformsCatalog

Wykaz przekształcenia.

outputColumnNames
String[]

Kolumny wyjściowe wynikające z przekształcenia.

inputColumnNames
String[]

Kolumny wejściowe.

modelFile
String

Ścieżka pliku zawierającego model ONNX.

gpuDeviceId
Nullable<Int32>

Opcjonalny identyfikator urządzenia z procesorem GPU do uruchamiania wykonywania w celu null uruchomienia na procesorze CPU.

fallbackToCpu
Boolean

Jeśli błąd procesora GPU, zgłoś wyjątek lub powrót do procesora CPU.

Zwraca

Uwagi

Jeśli wartość gpuDeviceId jest null wartością MLContext.GpuDeviceId , zostanie użyta, jeśli nie nulljest .

Dotyczy

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

Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny inputColumnName . Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze 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 OnnxScoringEstimator

Parametry

catalog
TransformsCatalog

Wykaz przekształcenia.

outputColumnName
String

Kolumna wyjściowa wynikająca z przekształcenia.

inputColumnName
String

Kolumna wejściowa.

modelFile
String

Ścieżka pliku zawierającego model ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Kształty ONNX, które mają być używane w przypadku tych załadowanych z modelFileelementu . W przypadku kluczy należy używać nazw określonych w modelu ONNX, np. "input". Oznaczanie kształtów za pomocą tego parametru jest szczególnie przydatne do pracy ze zmiennymi danymi wejściowymi i wyjściowymi wymiarów.

gpuDeviceId
Nullable<Int32>

Opcjonalny identyfikator urządzenia z procesorem GPU do uruchamiania wykonywania w celu null uruchomienia na procesorze CPU.

fallbackToCpu
Boolean

Jeśli błąd procesora GPU, zgłoś wyjątek lub powrót do procesora CPU.

Zwraca

Przykłady

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);
            }
        }
    }
}

Uwagi

Jeśli wartość gpuDeviceId jest null wartością MLContext.GpuDeviceId , zostanie użyta, jeśli nie nulljest .

Dotyczy

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

Utwórz obiekt OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do inputColumnNames kolumn. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze 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 OnnxScoringEstimator

Parametry

catalog
TransformsCatalog

Wykaz przekształcenia.

outputColumnNames
String[]

Kolumny wyjściowe wynikające z przekształcenia.

inputColumnNames
String[]

Kolumny wejściowe.

modelFile
String

Ścieżka pliku zawierającego model ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Kształty ONNX, które mają być używane w przypadku tych załadowanych z modelFileelementu . W przypadku kluczy należy używać nazw określonych w modelu ONNX, np. "input". Oznaczanie kształtów za pomocą tego parametru jest szczególnie przydatne do pracy ze zmiennymi danymi wejściowymi i wyjściowymi wymiarów.

gpuDeviceId
Nullable<Int32>

Opcjonalny identyfikator urządzenia z procesorem GPU do uruchamiania wykonywania w celu null uruchomienia na procesorze CPU.

fallbackToCpu
Boolean

Jeśli błąd procesora GPU, zgłoś wyjątek lub powrót do procesora CPU.

Zwraca

Uwagi

Jeśli wartość gpuDeviceId jest null wartością MLContext.GpuDeviceId , zostanie użyta, jeśli nie nulljest .

Dotyczy

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

Utwórz obiekt OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do inputColumnNames kolumn. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze 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 OnnxScoringEstimator

Parametry

catalog
TransformsCatalog

Wykaz przekształcenia.

outputColumnNames
String[]

Kolumny wyjściowe wynikające z przekształcenia.

inputColumnNames
String[]

Kolumny wejściowe.

modelFile
String

Ścieżka pliku zawierającego model ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Kształty ONNX, które mają być używane w przypadku tych załadowanych z modelFileelementu . W przypadku kluczy należy używać nazw określonych w modelu ONNX, np. "input". Oznaczanie kształtów za pomocą tego parametru jest szczególnie przydatne do pracy ze zmiennymi danymi wejściowymi i wyjściowymi wymiarów.

gpuDeviceId
Nullable<Int32>

Opcjonalny identyfikator urządzenia z procesorem GPU do uruchamiania wykonywania w celu null uruchomienia na procesorze CPU.

fallbackToCpu
Boolean

Jeśli błąd procesora GPU, zgłoś wyjątek lub powrót do procesora CPU.

recursionLimit
Int32

Opcjonalnie określa limit rekursji Protobuf CodedInputStream. Wartość domyślna to 100.

Zwraca

Uwagi

Jeśli wartość gpuDeviceId jest null wartością MLContext.GpuDeviceId , zostanie użyta, jeśli nie nulljest .

Dotyczy