Wprowadzenie do uczenia maszynowego z systemem Windows

W tym temacie przedstawiono sposób instalowania i używania systemu Windows ML do odnajdywania, pobierania i rejestrowania dostawców wykonywania (EPs) do użytku ze środowiskiem uruchomieniowym ONNX dostarczanym z usługą Windows ML. Usługa Windows ML obsługuje złożoność zarządzania pakietami i wyboru sprzętu, automatycznie pobierając najnowszych dostawców wykonywania zgodnych ze sprzętem urządzenia.

Jeśli nie znasz jeszcze środowiska uruchomieniowego ONNX, zalecamy przeczytanie dokumentacji środowiska uruchomieniowego ONNX. Krótko mówiąc, usługa Windows ML zapewnia udostępnioną kopię środowiska uruchomieniowego ONNX dla całego systemu Windows oraz możliwość dynamicznego pobierania dostawców wykonywania (EPs).

Wymagania wstępne

Wersja systemu Windows obsługiwana przez zestaw SDK aplikacji systemu Windows
Wymagania wstępne specyficzne dla języka widoczne poniżej

.NET 6 lub nowsza
Określanie docelowej wersji serwera TFM specyficznego dla systemu Windows 10, na przykład net6.0-windows10.0.19041.0 lub nowszej

Krok 1. Instalowanie lub aktualizowanie zestawu SDK aplikacji systemu Windows

Interfejsy API Katalogu Modeli są uwzględniane w eksperymentalnej wersji Windows App SDK 2.0.0 lub nowszej.

Zobacz używanie zestawu SDK aplikacji systemu Windows w istniejącym projekcie , aby dowiedzieć się, jak dodać zestaw SDK aplikacji systemu Windows do projektu lub jeśli już używasz zestawu SDK aplikacji systemu Windows, zaktualizuj pakiety.

Powiązanie języka Python korzysta z projektu pywinrt na potrzeby projekcji zestawu SDK aplikacji systemu Windows.

Zainstaluj pakiety języka Python za pomocą następujących poleceń:

pip install wasdk-Microsoft.Windows.AI.MachineLearning[all] wasdk-Microsoft.Windows.ApplicationModel.DynamicDependency.Bootstrap
# The onnxruntime-winml package is not published to PyPI yet. Please install it from the ort-nightly feed
pip install --pre --index-url https://aiinfra.pkgs.visualstudio.com/PublicPackages/_packaging/ORT-Nightly/pypi/simple/ --extra-index-url https://pypi.org/simple onnxruntime-winml

Upewnij się, że wasdk- wersja pakietów jest zgodna z wersją systemu WindowsAppRuntime.

Krok 2. Pobieranie i rejestrowanie adresów e-mail

Najprostszym sposobem rozpoczęcia pracy jest automatyczne odnajdywanie, pobieranie i rejestrowanie najnowszej wersji wszystkich zgodnych dostawców wykonywania. Aby można było ich używać, dostawcy wykonywania muszą być zarejestrowani w środowisku uruchomieniowym ONNX wewnątrz systemu Windows ML. A jeśli jeszcze nie zostały pobrane, należy je pobrać jako pierwszy. Wywołanie EnsureAndRegisterCertifiedAsync() spowoduje wykonanie obu tych czynności w jednym kroku.

using Microsoft.ML.OnnxRuntime;
using Microsoft.Windows.AI.MachineLearning;

// First we create a new instance of EnvironmentCreationOptions
EnvironmentCreationOptions envOptions = new()
{
    logId = "WinMLDemo", // Use an ID of your own choice
    logLevel = OrtLoggingLevel.ORT_LOGGING_LEVEL_ERROR
};

// And then use that to create the ORT environment
using var ortEnv = OrtEnv.CreateInstanceWithOptions(ref envOptions);

// Get the default ExecutionProviderCatalog
var catalog = ExecutionProviderCatalog.GetDefault();

// Ensure and register all compatible execution providers with ONNX Runtime
// This downloads any necessary components and registers them
await catalog.EnsureAndRegisterCertifiedAsync();

#include <winrt/Microsoft.Windows.AI.MachineLearning.h>
#include <winml/onnxruntime_cxx_api.h>

// First we need to create an ORT environment
Ort::Env env(ORT_LOGGING_LEVEL_ERROR, "WinMLDemo"); // Use an ID of your own choice

// Get the default ExecutionProviderCatalog
winrt::Microsoft::Windows::AI::MachineLearning::ExecutionProviderCatalog catalog =
    winrt::Microsoft::Windows::AI::MachineLearning::ExecutionProviderCatalog::GetDefault();

// Ensure and register all compatible execution providers with ONNX Runtime
catalog.EnsureAndRegisterCertifiedAsync().get();

import sys
from pathlib import Path
import traceback

_winml_instance = None

class WinML:
    def __new__(cls, *args, **kwargs):
        global _winml_instance
        if _winml_instance is None:
            _winml_instance = super(WinML, cls).__new__(cls, *args, **kwargs)
            _winml_instance._initialized = False
        return _winml_instance

    def __init__(self):
        if self._initialized:
            return
        self._initialized = True

        self._fix_winrt_runtime()
        from winui3.microsoft.windows.applicationmodel.dynamicdependency.bootstrap import (
            InitializeOptions,
            initialize
        )
        import winui3.microsoft.windows.ai.machinelearning as winml
        self._win_app_sdk_handle = initialize(options=InitializeOptions.ON_NO_MATCH_SHOW_UI)
        self._win_app_sdk_handle.__enter__()
        catalog = winml.ExecutionProviderCatalog.get_default()
        self._providers = catalog.find_all_providers()
        self._ep_paths : dict[str, str] = {}
        for provider in self._providers:
            provider.ensure_ready_async().get()
            if provider.library_path == '':
                continue
            self._ep_paths[provider.name] = provider.library_path
        self._registered_eps : list[str] = []

    def __del__(self):
        self._providers = None
        self._win_app_sdk_handle.__exit__(None, None, None)

    def _fix_winrt_runtime(self):
        """
        This function removes the msvcp140.dll from the winrt-runtime package.
        So it does not cause issues with other libraries.
        """
        from importlib import metadata
        site_packages_path = Path(str(metadata.distribution('winrt-runtime').locate_file('')))
        dll_path = site_packages_path / 'winrt' / 'msvcp140.dll'
        if dll_path.exists():
            dll_path.unlink()

    def register_execution_providers_to_ort(self) -> list[str]:
        import onnxruntime as ort
        for name, path in self._ep_paths.items():
            if name not in self._registered_eps:
                try:
                    ort.register_execution_provider_library(name, path)
                    self._registered_eps.append(name)
                except Exception as e:
                    print(f"Failed to register execution provider {name}: {e}", file=sys.stderr)
                    traceback.print_exc()
        return self._registered_eps

WinML().register_execution_providers_to_ort()

Wskazówka

W aplikacjach produkcyjnych zawijanie EnsureAndRegisterCertifiedAsync() wywołania w bloku try-catch w celu bezproblemowego obsługi potencjalnych błędów sieci lub pobierania.

Dalsze kroki

Po zarejestrowaniu dostawców wykonywania możesz przystąpić do korzystania z interfejsów API środowiska uruchomieniowego ONNX w usłudze Windows ML! Chcesz...

Wybieranie dostawców wykonywania — poinformuj środowisko uruchomieniowe, których dostawców wykonywania chcesz użyć
Pobieranie modeli — używanie wykazu modeli do dynamicznego pobierania modeli lub dołączania ich lokalnie
Uruchamianie wnioskowania modelu — kompilowanie, ładowanie i wnioskowanie modelu

Ważne

Projekty języka C# korzystające z Microsoft.ML.OnnxRuntime.Tensors interfejsów API muszą ręcznie odwoływać się do pakietu NuGet System.Numerics.Tensors w wersji 9.0.0 lub nowszej. Bez tego odwołania do pakietu NuGet wystąpi następujący błąd w czasie wykonywania: Could not load file or assembly 'System.Numerics.Tensors, Version=9.0.0.0.

Zobacz także

Katalog modeli — dynamiczne pobieranie modeli z wykazów online
Inicjowanie dostawców wykonywania — dodatkowe sposoby obsługi pobierania adresów e-mail
Rozpowszechnianie aplikacji — informacje o dystrybucji aplikacji przy użyciu uczenia maszynowego systemu Windows
Wersje ONNX w systemie Windows ML — informacje o tym, która wersja środowiska uruchomieniowego ONNX jest dostarczana z systemem Windows ML
Samouczek — kompletny samouczek dotyczący korzystania z usługi Windows ML z modelem ResNet-50
Przykłady kodu — nasze przykłady kodu korzystające z uczenia maszynowego z systemem Windows

Sprzężenie zwrotne

Czy ta strona była pomocna?

Last updated on 2025-10-11