DnnImageFeaturizerEstimator Classe

Definição

Namespace:

Microsoft.ML.Transforms.Onnx

Assembly:

Microsoft.ML.OnnxTransformer.dll

Pacote:

Microsoft.ML.OnnxTransformer v3.0.1

Aplica um modelo DNN (rede neural profunda) pré-treinado para apresentar dados de imagem de entrada.

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))

Herança

Object

DnnImageFeaturizerEstimator

Implementações

IEstimator<TransformerChain<ColumnCopyingTransformer>>

Comentários

Características do estimador

Esse estimador precisa examinar os dados para treinar seus parâmetros?	No
Tipo de dados de coluna de entrada	Vetor de Single
Tipo de dados de coluna de saída	Vetor de Single, o tamanho do vetor depende da DNN pré-treinada
Exportável para ONNX	No

Requisitos do NuGet:

• Microsoft.ML.OnnxTransformer
• Microsoft.ML.OnnxRuntime.Gpu (somente se o processamento de GPU for usado)
• Cada modelo DNN pré-treinado tem um NuGet separado que deve ser incluído se esse modelo for usado:
  • Microsoft.ML.DnnImageFeaturizer.AlexNet
  • Microsoft.ML.DnnImageFeaturizer.ResNet18
  • Microsoft.ML.DnnImageFeaturizer.ResNet50
  • Microsoft.ML.DnnImageFeaturizer.ResNet101

O transformador resultante cria uma nova coluna, nomeada conforme especificado nos parâmetros de nome da coluna de saída, em que uma rede neural profunda pré-treinada é aplicada aos dados da imagem de entrada.

Esse estimador é um wrapper em torno de um OnnxScoringEstimator com os modelos DNN disponíveis atuais pré-treinados e vários ColumnCopyingEstimator. Eles ColumnCopyingEstimator são necessários para permitir nomes arbitrários de entrada e saída de coluna, pois caso contrário, os OnnxScoringEstimator nomes das colunas seriam correspondentes aos nomes dos nós de modelo ONNX.

Qualquer requisito de plataforma para esse estimador seguirá os requisitos no OnnxScoringEstimator.

Verifique a seção Consulte Também para obter links para exemplos de uso.

Métodos

Fit(IDataView)	Observe que OnnxEstimator no qual isso se baseia é um estimador trivial, portanto, isso não faz nenhum treinamento real, apenas verifica o esquema.
GetOutputSchema(SchemaShape)	Aplica um modelo DNN (rede neural profunda) pré-treinado para apresentar dados de imagem de entrada.

Métodos de Extensão

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Acrescente um "ponto de verificação de cache" à cadeia de estimativas. Isso garantirá que os estimadores downstream serão treinados em relação aos dados armazenados em cache. É útil ter um ponto de verificação de cache antes dos treinadores que fazem várias passagens de dados.

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

Dado um estimador, retorne um objeto de encapsulamento que chamará um delegado uma vez Fit(IDataView) chamado. Geralmente, é importante que um estimador retorne informações sobre o que estava em forma, e é por isso que o Fit(IDataView) método retorna um objeto especificamente tipado, em vez de apenas um geral ITransformer. No entanto, ao mesmo tempo, IEstimator<TTransformer> muitas vezes são formados em pipelines com muitos objetos, portanto, talvez seja necessário construir uma cadeia de estimadores por meio EstimatorChain<TLastTransformer> de onde o estimador para o qual queremos que o transformador seja enterrado em algum lugar nesta cadeia. Para esse cenário, podemos por meio desse método anexar um delegado que será chamado quando fit for chamado.

Confira também

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