Поделиться через


DnnImageFeaturizerEstimator Класс

Определение

Применяет предварительно обученную модель глубокой нейронной сети (DNN) для визуализации входных данных изображения.

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))
Наследование
DnnImageFeaturizerEstimator
Реализации

Комментарии

Характеристики оценщика

Нужно ли этому оценщику просмотреть данные для обучения параметров? Нет
Тип данных входного столбца Вектор Single
Тип данных выходного столбца SingleВектор , размер вектора зависит от предварительно обученной DNN
Экспортируемый в ONNX Нет

Требования NuGet:

  • Microsoft.ML.OnnxTransformer
  • Microsoft.ML.OnnxRuntime.Gpu (только если используется обработка GPU)
  • Каждая предварительно обученная модель DNN имеет отдельный NuGet, который должен быть включен, если эта модель используется:
    • Microsoft.ML.DnnImageFeaturizer.AlexNet
    • Microsoft.ML.DnnImageFeaturizer.ResNet18
    • Microsoft.ML.DnnImageFeaturizer.ResNet50
    • Microsoft.ML.DnnImageFeaturizer.ResNet101

Результирующий преобразователь создает новый столбец с именем, указанным в параметрах имени выходного столбца, где предварительно обученная глубокая нейронная сеть применяется к входным данным изображения.

Этот оценщик представляет собой оболочку для OnnxScoringEstimator текущей доступной предварительно обученной модели DNN и нескольких ColumnCopyingEstimator. Они ColumnCopyingEstimator необходимы для разрешения произвольных входных и выходных имен столбцов, так как в противном случае OnnxScoringEstimator имена столбцов должны совпадать с именами узлов модели ONNX.

Любое требование платформы для этого оценщика будет соответствовать требованиям.OnnxScoringEstimator

Ознакомьтесь с разделом "См. также" ссылки на примеры использования.

Методы

Fit(IDataView)

Обратите внимание, что OnnxEstimator, на основе которого он основан, является тривиальным оценщиком, поэтому это не делает никакого фактического обучения, просто проверяет схему.

GetOutputSchema(SchemaShape)

Применяет предварительно обученную модель глубокой нейронной сети (DNN) для визуализации входных данных изображения.

Методы расширения

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

Добавьте "контрольную точку кэширования" в цепочку оценщика. Это обеспечит обучение подчиненных оценщиков на основе кэшированных данных. Рекомендуется создать контрольную точку кэширования перед обучением, которые принимают несколько передач данных.

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

Учитывая оценщик, возвращает объект-оболочку, который будет вызывать делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что было в форме, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако, в то же время, IEstimator<TTransformer> часто формируются в конвейеры со многими объектами, поэтому нам может потребоваться построить цепочку оценщиков, где EstimatorChain<TLastTransformer> оценщик, для которого мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова соответствия.

Применяется к

См. также раздел