Windows 机器学习示例

GitHub 上的 Windows-Machine-Learning 存储库包含示例应用程序,这些应用程序演示如何使用 Windows 机器学习,以及帮助验证模型并在开发过程中解决问题的工具。

示例

GitHub 上提供了以下示例应用程序。

名称 DESCRIPTION
AdapterSelection (Win32 C++) 演示如何选择用于运行模型的特定设备适配器的桌面应用程序。
批量支持 演示如何使用 Windows ML 绑定和评估输入批。
自定义操作符示例(Win32 C++) 定义多个自定义 CPU 运算符的桌面应用程序。 其中一个是调试运算符,可以集成到自己的工作流中。
自定义张量化 (Win32 C++) 演示如何在 CPU 和 GPU 上使用 Windows ML API 对输入映像进行张量化。
自定义视觉 (UWP C#) 演示如何使用自定义视觉在云中训练 ONNX 模型,并将其与 Windows ML 集成到应用程序中。
表情符号8 (UWP C#) 演示如何使用 Windows ML 为有趣的情感检测应用程序提供支持。
FNS 样式传输 (UWP C#) 使用 FNS-Candy 样式传输模型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#)。 从基础开始并完成本教程,或运行已完成的项目。
NamedDimension覆盖 演示如何将命名维度重写为具体值,以便优化模型性能。
PlaneIdentifier (UWP C#, WPF C#) 使用使用 Azure 上的自定义视觉服务生成的预先训练的机器学习模型来检测给定图像是否包含特定对象:平面。
RustSqueezeNet 网络 使用 SqueezeNet 进行 WinRT 的 Rust 投影。
SqueezeNet 对象检测 (Win32 C++, UWP C#/JavaScript, .NET5, .NETCORE) 使用预训练的机器学习模型 SqueezeNet 来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,演示如何在 Windows 上运行的 Azure IoT Edge 模块中运行 Windows ML 推理。 图像由连接的相机提供,根据 SqueezeNet 模型进行推理,并发送到 IoT 中心。
StreamFromResource 演示如何获取包含 ONNX 模型的嵌入资源,并将其转换为可传递给 LearningModel 构造函数的流。
StyleTransfer (C#) 对用户提供的输入图像或 Web 相机流执行样式传输的 UWP 应用。
winml_tracker(ROS C++) 一个使用 Windows ML 跟踪相机帧中人员(或其他对象)的 ROS(机器人操作系统)节点。

注释

使用以下资源获取有关 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。