Windows 机器学习示例

GitHub 上的 Windows-Machine-Learning 存储库包含了一些示例应用程序（演示了如何使用 Windows 机器学习），它还包含了一些工具，可以在开发期间帮助验证模型并解决问题。

示例

GitHub 上提供了以下示例应用程序。

名称	描述
AdapterSelection (Win32 C++)	一个桌面应用程序，演示了如何选择用于运行你的模型的特定设备适配器。
BatchSupport	展示了如何使用 Windows ML 绑定和评估批量输入。
自定义运算符示例 (Win32 C++)	一个桌面应用程序，定义了多个自定义 CPU 运算符。 其中一个是可以集成到你自己的工作流中的调试运算符。
自定义张量化 (Win32 C++)	展示了如何在 CPU 和 GPU 上使用 Windows ML API 对输入图像进行张量化。
自定义视觉 (UWP C#)	展示了如何使用自定义视觉在云中训练 ONNX 模型，并使用 Windows ML 将其集成到应用程序中。
Emoji8 (UWP C#)	展示了如何使用 Windows ML 为一个有趣的情感检测应用程序提供助力。
FNS 样式转移 (UWP C#)	使用 FNS-Candy 样式转移模型来重新设置图像或视频流的样式。
MNIST (UWP C#/C++)	对应于教程：创建 Windows 机器学习 UWP 应用程序 (C#)。 从基础开始并完成教程，或者运行已完成的项目。
NamedDimensionOverrides	展示了如何将命名维度替代为具体值以优化模型性能。
PlaneIdentifier（UWP C#、WPF C#）	使用一个预先训练的、通过 Azure 上的自定义视觉服务生成的机器学习模型检测给定图像是否包含特定对象：一个平面。
RustSqueezeNet	使用 SqueezeNet 的 Rust WinRT 投影。
SqueezeNet 物体检测（Win32 C++、UWP C#/JavaScript、 .NET5、.NETCORE）	使用 SqueezeNet（一个预先训练的机器学习模型）检测用户从文件中选择的图像中的主要对象。
SqueezeNet 对象检测（Windows 上的 Azure IoT Edge、C#）	这是一个示例模块，展示了如何在 Windows 上运行的 Azure IoT Edge 模块中运行 Windows ML 推理。 图像由所连接的相机提供，根据 SqueezeNet 模型进行推理，并发送到 IoT 中心。
StreamFromResource	展示了如何获取包含 ONNX 模型的嵌入式资源并将其转换为可传递给 LearningModel 构造函数的流。
StyleTransfer (C#)	一个 UWP 应用，它对用户提供的输入图像或网络摄像头流执行样式转换。
winml_tracker (ROS C++)	一个 ROS（机器人操作系统）节点，它使用 Windows ML 跟踪相机帧中的人（或其他物体）。

注意

使用以下资源可获取有关 Windows ML 的帮助：

• 若要提出或回答有关 Windows ML 的技术问题，请在 Stack Overflow 上使用 windows-machine-learning 标记。
• 若要报告 bug，请在 GitHub 上提交问题。