Dataanalys med PyTorch och Windows ML

Windows Machine Learning kan användas för att köra förutsägelser på tabelldatauppsättningar och förutsäga numeriska värden baserat på oberoende indatavariabler. Den här guiden använder en specifik datauppsättning i Excel-format, men de procedurer som beskrivs fungerar för alla relaterade aktiviteter med hjälp av valfri tabelldatauppsättning.

Den här guiden visar hur du löser en klassificeringsuppgift med ett neuralt nätverk med hjälp av PyTorch-biblioteket, exporterar modellen till ONNX-formatet och distribuerar den i ett Windows Machine Learning-program som körs lokalt på din Windows-enhet.

Grundläggande kunskaper i programmeringsspråken Python och C# krävs. Tidigare erfarenhet av maskininlärning är att föredra men krävs inte.

Om du vill gå vidare till installationen kan du läsa Installera PyTorch.

Om du redan har konfigurerat PyTorch startar du modellträningsprocessen genom att hämta data.

När du är redo att använda data kan du börja träna din modell och sedan konvertera den till ONNX-formatet.

Om du har en ONNX-modell och vill lära dig hur du skapar en WinML-app från grunden navigerar du för att distribuera din modell.

Anmärkning

Om du vill kan du klona lagringsplatsen för Windows Machine Learning-exempel och köra den färdiga koden för den här självstudien. Du hittar träningslösningen PyTorch här, eller den färdiga Windows ML-appen här. Om du använder PyTorch-filen måste du konfigurera relevant PyTorch-tolk innan du kör den.

Scenarium

I den här självstudien skapar vi ett program för maskininlärningsdataanalys för att förutsäga typen av irisblommor. För detta ändamål använder du Fishers irisblomdatauppsättning. Modellen tränas att identifiera vissa typer av irismönster och förutsäga rätt typ.

Förutsättningar för PyTorch – modellträning:

PyTorch stöds i följande Windows-distributioner:

• Windows 7 och senare. Windows 10 eller senare rekommenderas.
• Windows Server 2008 r2 och senare

Om du vill använda Pytorch i Windows måste du ha Python 3.x installerat. Python 2.x stöds inte.

Förutsättningar för distribution av Windows ML-appar

För att skapa och distribuera en WinML-app behöver du följande:

• Windows 10 version 1809 (version 17763) eller senare. Du kan kontrollera ditt versionsnummer genom att köra winver via kommandot Kör (Windows logo key + R).
• Windows SDK för version 17763 eller senare. Du kan hämta SDK:et här.
• Visual Studio 2017 version 15.7 eller senare. Vi rekommenderar att du använder Visual Studio 2019, och vissa skärmbilder i den här självstudien kan skilja sig om du använder VS2017 i stället. Du kan hämta Visual Studio här.
• Du måste också aktivera utvecklarläge på datorn

Anmärkning

Windows ML API:er är inbyggda i de senaste versionerna av Windows 10 (1809 eller senare) och Windows Server 2019. Om målplattformen är äldre versioner av Windows kan du portera din WinML-app till det omdistribuerbara NuGet-paketet (Windows 8.1 eller senare).

Nästa steg

Vi börjar med att installera PyTorch och konfigurera vår miljö

Viktigt!

PyTorch, PyTorch-logotypen och eventuella relaterade märken är varumärken som tillhör Facebook, Inc.