ONNX-modeller

Windows Machine Learning stöder modeller i ONNX-format (Open Neural Network Exchange ). ONNX är ett öppet format för ML-modeller, så att du kan utbyta modeller mellan olika ML-ramverk och verktyg.

Det finns flera sätt på vilka du kan hämta en modell i ONNX-format, inklusive:

• ONNX Model Zoo: Innehåller flera förtränade ONNX-modeller för olika typer av uppgifter. Ladda ned en version som stöds av Windows ML och du är redo att köra!

• Intern export från ML-träningsramverk: Flera träningsramverk stöder interna exportfunktioner till ONNX, till exempel Chainer, Caffee2 och PyTorch, så att du kan spara din tränade modell i specifika versioner av ONNX-formatet. Dessutom tillhandahåller tjänster som Azure Machine Learning och Azure Custom Vision också inbyggd ONNX-export.

  • Om du vill lära dig hur du tränar och exporterar en ONNX-modell i molnet med Hjälp av Custom Vision kan du läsa Självstudie: Använda en ONNX-modell från Custom Vision med Windows ML (förhandsversion).

• Konvertera befintliga modeller med HJÄLP av ONNXMLTools: Med det här Python-paketet kan modeller konverteras från flera format för träningsramverk till ONNX. Som utvecklare kan du ange vilken version av ONNX du vill konvertera din modell till, beroende på vilka versioner av Windows som programmet riktar in sig på. Om du inte är bekant med Python kan du använda Windows ML:s användargränssnittsbaserade instrumentpanel för att enkelt konvertera dina modeller med bara några klickningar.

Viktigt!

Alla ONNX-versioner stöds inte av Windows ML. Om du vill veta vilka ONNX-versioner som stöds officiellt i De Windows-versioner som programmet riktar in sig på kontrollerar du ONNX-versioner och Windows-versioner.

När du har en ONNX-modell integrerar du modellen i appens kod och sedan kan du använda maskininlärning i dina Windows-appar och -enheter!

Anmärkning

Använd följande resurser för hjälp med Windows ML:

• Om du vill ställa eller besvara tekniska frågor om Windows ML använder du taggen windows-machine-learning på Stack Overflow-.
• Om du vill rapportera en bugg, skicka in en felrapport på vår GitHub-sida .