ImageClassificationTrainer 类

定义

命名空间:

Microsoft.ML.Vision

程序集:

Microsoft.ML.Vision.dll

包:

Microsoft.ML.Vision v3.0.1

用于 IEstimator<TTransformer> 训练深度神经网络 (DNN) 对图像进行分类。

public sealed class ImageClassificationTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.MulticlassPredictionTransformer<Microsoft.ML.Vision.ImageClassificationModelParameters>,Microsoft.ML.Vision.ImageClassificationModelParameters>

type ImageClassificationTrainer = class
    inherit TrainerEstimatorBase<MulticlassPredictionTransformer<ImageClassificationModelParameters>, ImageClassificationModelParameters>

Public NotInheritable Class ImageClassificationTrainer
Inherits TrainerEstimatorBase(Of MulticlassPredictionTransformer(Of ImageClassificationModelParameters), ImageClassificationModelParameters)

继承

Object

TrainerEstimatorBase<MulticlassPredictionTransformer<ImageClassificationModelParameters>,ImageClassificationModelParameters>

ImageClassificationTrainer

注解

若要创建此训练器，请使用 ImageClassification。

输入和输出列

输入标签列数据必须是 键 类型，特征列必须是可变大小的向量 Byte。

该训练程序输出以下列：

输出列名称	列名称	说明
Score	向量Single	所有类的分数。值越高意味着落入相关类的概率越高。 如果第 i 个元素具有最大值，则预测的标签索引为 i。请注意，i 是从零开始的索引。
PredictedLabel	key 类型	预测标签的索引。 如果其值为 i，则实际标签为键值输入标签类型中的第 i 个类别。

训练器特征

机器学习任务	多类分类
是否需要规范化？	否
是否需要缓存？	否
除 Microsoft.ML 以外，还需要 NuGet	Microsoft.ML.Vision 和 SciSharp.TensorFlow.Redist / SciSharp.TensorFlow.Redist-Windows-GPU / SciSharp.TensorFlow.Redist-Linux-GPU
可导出到 ONNX	否

使用基于 TensorFlow 的 API

若要运行任何基于 TensorFlow ML.Net API 的 API，必须先在 TensorFlow redist 库上添加 NuGet 依赖项。 当前有两个版本可以使用。 一个是针对 GPU 支持编译的，其中一个仅支持 CPU。

仅 CPU

当前支持基于 CPU 的 TensorFlow：

• Linux
• MacOS
• Windows

若要使 TensorFlow 仅处理 CPU，只需对 SciSharp.TensorFlow.Redist v1.14.0 使用 NuGet 依赖项

GPU 支持

当前支持基于 GPU 的 TensorFlow：

• Windows
• Linux 自现在起，TensorFlow 不支持在 MacOS 的 GPU 上运行，因此目前我们不支持此功能。

先决条件

对于兼容 GPU 的列表，必须至少有一个 CUDA 兼容 GPU，请参阅 Nvidia 的指南。

安装 CUDA v10.1 和 CUDNN v7.6.4。

请确保安装 CUDA v10.1，而不是任何其他更新版本。 下载 CUDNN v7.6.4 .zip文件并解压缩后，需要执行以下步骤：

copy <CUDNN_zip_files_path>\cuda\bin\cudnn64_7.dll to <YOUR_DRIVE>\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin

对于 C/C++ 开发：

Copy <CUDNN_zip_files_path>\cuda\ include\cudnn.h to <YOUR_DRIVE>\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include

Copy <CUDNN_zip_files_path>\cuda\lib\x64\cudnn.lib to <YOUR_DRIVE>\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64

有关 cuDNN 中的更多详细信息，可以按照 cuDNN 安装指南进行操作。

使用情况

若要将 TensorFlow 与 GPU 支持配合使用，请根据 OS 对以下包使用 NuGet 依赖项：

• Windows -> SciSharp.TensorFlow.Redist-Windows-GPU
• Linux -> SciSharp.TensorFlow.Redist-Linux-GPU

无需修改代码即可利用 GPU 执行 TensorFlow 操作。

故障排除

如果在添加基于 GPU 的 TensorFlow NuGet 后无法使用 GPU，请确保仅依赖于基于 GPU 的版本。 如果同时依赖于这两个 NuGet，则基于 CPU 的 TensorFlow 将改为运行。

训练算法详细信息

利用现有的预训练模型（例如 Resnet50）来训练深度神经网络 (DNN) ，以便对图像进行分类。 该技术灵感来自 TensorFlow 的重新训练图像分类教程

字段

FeatureColumn	训练器期望的功能列。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	训练器期望的标签列。 可以 null，指示标签不用于训练。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	训练器期望的权重列。 可以 null，指示权重不用于训练。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)

属性

Info	有关培训师的功能和要求的辅助信息。

方法

Fit(IDataView, IDataView)	ImageClassificationTrainer使用训练和验证数据训练返回 aImageClassificationModelParameters.
Fit(IDataView)	火车并返回一个 ITransformer。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	用于 IEstimator<TTransformer> 训练深度神经网络 (DNN) 对图像进行分类。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)

扩展方法

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)	将“缓存检查点”追加到估算器链。 这将确保根据缓存的数据训练下游估算器。 在执行多个数据传递的训练器之前，拥有缓存检查点会很有帮助。
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)	给定估算器后，返回一个包装对象，该对象将调用委托一次 Fit(IDataView) 。 估算器通常必须返回有关适合的内容的信息，这就是为什么 Fit(IDataView) 该方法返回特定类型化对象的原因，而不仅仅是常规 ITransformer对象。 但是，同时， IEstimator<TTransformer> 通常形成为包含许多对象的管道，因此，我们可能需要通过 EstimatorChain<TLastTransformer> 估算器链生成一个估算器链，以便将转换器埋在此链中的某个位置。 对于该方案，我们可以通过此方法附加一个委托，该委托将在调用拟合后调用。