DnnImageFeaturizerEstimator Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML.Transforms.Onnx

Zestaw:

Microsoft.ML.OnnxTransformer.dll

Pakiet:

Microsoft.ML.OnnxTransformer v3.0.1

Stosuje wstępnie wytrenowany model głębokiej sieci neuronowej (DNN) do wyczynuj dane wejściowe obrazu.

public sealed class DnnImageFeaturizerEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Data.TransformerChain<Microsoft.ML.Transforms.ColumnCopyingTransformer>>

type DnnImageFeaturizerEstimator = class
    interface IEstimator<TransformerChain<ColumnCopyingTransformer>>

Public NotInheritable Class DnnImageFeaturizerEstimator
Implements IEstimator(Of TransformerChain(Of ColumnCopyingTransformer))

Dziedziczenie

Object

DnnImageFeaturizerEstimator

Implementuje

IEstimator<TransformerChain<ColumnCopyingTransformer>>

Uwagi

Charakterystyka narzędzia do szacowania

Czy ten narzędzie do szacowania musi przyjrzeć się danym, aby wytrenować jego parametry?	Nie
Typ danych kolumny wejściowej	Wektor Single
Typ danych kolumny wyjściowej	Wektor klasy Single, rozmiar wektora zależy od wstępnie wytrenowanego sieci rozproszonej sieci rozproszonej
Eksportowanie do pliku ONNX	Nie

Wymagania narzędzia NuGet:

• Microsoft.ML.OnnxTransformer
• Microsoft.ML.OnnxRuntime.Gpu (tylko wtedy, gdy jest używane przetwarzanie procesora GPU)
• Każdy wstępnie wytrenowany model sieci DNN ma oddzielny pakiet NuGet, który musi zostać uwzględniony, jeśli jest używany ten model:
  • Microsoft.ML.DnnImageFeaturizer.AlexNet
  • Microsoft.ML.DnnImageFeaturizer.ResNet18
  • Microsoft.ML.DnnImageFeaturizer.ResNet50
  • Microsoft.ML.DnnImageFeaturizer.ResNet101

Wynikowy transformator tworzy nową kolumnę o nazwie określonej w parametrach nazwy kolumny wyjściowej, gdzie wstępnie wytrenowana głęboka sieć neuronowa jest stosowana do danych wejściowych obrazu.

Ten narzędzie do szacowania jest otoką wokół OnnxScoringEstimator bieżącego dostępnego wstępnie wytrenowanego modelu sieci DNN i kilku ColumnCopyingEstimator. Są ColumnCopyingEstimator one wymagane, aby umożliwić dowolne nazwy danych wejściowych i wyjściowych kolumn, ponieważ w przeciwnym razie OnnxScoringEstimator nazwy kolumn muszą być zgodne z nazwami węzłów modelu ONNX.

Każde wymaganie platformy dla tego narzędzia do szacowania będzie zgodne z wymaganiami w temacie OnnxScoringEstimator.

Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.

Metody

Fit(IDataView)	Należy pamiętać, że narzędzie OnnxEstimator, na którym opiera się, jest trywialnym narzędziem do szacowania, więc nie wykonuje to żadnego rzeczywistego trenowania, po prostu weryfikuje schemat.
GetOutputSchema(SchemaShape)	Stosuje wstępnie wytrenowany model głębokiej sieci neuronowej (DNN) do wyczynuj dane wejściowe obrazu.

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 względem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejmą wiele danych.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który wywoła 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 ogólną ITransformerwartość . Jednak w tym samym czasie IEstimator<TTransformer> często są tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania za pośrednictwem EstimatorChain<TLastTransformer> miejsca, w którym 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.

Zobacz też

• DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)