ImageGrayscalingEstimator Klasa
Definicja
Ważne
Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.
public sealed class ImageGrayscalingEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.Image.ImageGrayscalingTransformer>type ImageGrayscalingEstimator = class
inherit TrivialEstimator<ImageGrayscalingTransformer>Public NotInheritable Class ImageGrayscalingEstimator
Inherits TrivialEstimator(Of ImageGrayscalingTransformer)- Dziedziczenie
Uwagi
Charakterystyka narzędzia do szacowania
| Czy ten narzędzie do szacowania musi przyjrzeć się danym, aby wytrenować jego parametry? | Nie |
| Typ danych kolumny wejściowej | MLImage |
| Typ danych kolumny wyjściowej | MLImage |
| Wymagane narzędzie NuGet oprócz Microsoft.ML | Microsoft.ML.ImageAnalytics |
| Możliwość eksportowania do ONNX | Nie |
ImageGrayscalingTransformer Wynikowa kolumna tworzy nową kolumnę o nazwie określonej w parametrach nazwy kolumny wyjściowej i konwertuje obraz z kolumny wejściowej na obraz w skali szarości. Obrazy mogą być konwertowane na skalę szarości, aby zmniejszyć złożoność modelu. Wyszary wygaszone obrazy zawierają mniej informacji do przetworzenia niż kolorowe obrazy. Innym przypadkiem użycia konwersji na skalę szarości jest wygenerowanie nowych obrazów z istniejących, dzięki czemu można mieć większy zestaw danych, technikę znaną jako rozszerzanie danych. Aby uzyskać kompleksowe potoki przetwarzania obrazów i scenariusze w aplikacjach, zobacz przykłady w repozytorium github machinelearning-samples.
Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.
Metody
| Fit(IDataView) |
IEstimator<TTransformer>dla .ImageGrayscalingTransformer (Odziedziczone po TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
SchemaShape Zwraca schemat, który zostanie wygenerowany przez transformator. Służy do propagacji schematu i weryfikacji w potoku. |
Metody rozszerzania
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Dołącz "punkt kontrolny buforowania" do łańcucha narzędzia do szacowania. Zapewni to, że narzędzia do szacowania podrzędnego zostaną wytrenowane pod kątem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejdą wiele danych. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który będzie wywoływać delegata po Fit(IDataView) wywołaniu. Często ważne jest, aby narzędzie do szacowania zwracało informacje o tym, co było odpowiednie, dlatego Fit(IDataView) metoda zwraca specjalnie wpisany obiekt, a nie tylko ogólny ITransformerelement . Jednak w tym samym czasie IEstimator<TTransformer> są często tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania, za pośrednictwem EstimatorChain<TLastTransformer> którego narzędzie do szacowania, dla którego chcemy uzyskać transformator jest pochowany gdzieś w tym łańcuchu. W tym scenariuszu możemy za pomocą tej metody dołączyć delegata, który zostanie wywołany po wywołaniu dopasowania. |