什麼是深度學習？

2025-01-29

深度學習是機器學習技術使用「深度」神經網路的傘式詞彙。現今，深度學習是機器學習最明顯的領域之一，因為它在計算機視覺、自然語言處理等領域取得成功，以及在套用至增強式學習時，例如遊戲遊戲、決策制定和模擬等案例。

深度學習成功的關鍵元素是數據、計算、軟體架構和運行時間的可用性，有助於建立類神經網路模型及其執行以進行推斷。這類架構的範例包括 TensorFlow、（Py）Torch 和 ONNX。

ML.NET 提供這些架構的存取權。因此，ML.NET 使用者可以利用深度學習模型，而不需要從頭開始。

深度學習與機器學習

深度學習依賴神經網路演算法。這與傳統或傳統機器學習技術形成鮮明對比，其使用更廣泛的演算法，例如一般化線性模型、判定樹或支援向量機器（SVM）。這種差異最直接、最實際的影響是深度學習方法更適合某些種類的數據。在某些情況下，傳統機器學習技術，例如提升樹（XGBoost、LightGBM 和 CatBoost）似乎在表格型數據上具有優勢。對於較不結構化的數據，例如文字和影像，類神經網路通常會執行得更好。最佳方法一律會試驗您的特定數據源和使用案例，以判斷哪一種技術最適合您的問題。

針對傳統機器學習工作，ML.NET 透過自動化機器學習（AutoML）簡化此實驗程式。如需 AutoML 的詳細資訊，請參閱什麼是自動化機器學習（AutoML）？。

類神經網路架構

深度學習的主要區別特性之一是使用人工神經網路演算法。概括而言，您可以將神經網路視為「處理單位」的組態，其中每個單位的輸出構成另一個單元的輸入。每一個單位可以接受一或多個輸入，基本上執行輸入值的加權總和，並套用位移值（或「偏差」），然後進行一個非線性轉換函式（稱為「激活」）。這些元件的不同排列方式可用來描述機器學習工作的核心分類、回歸函式和其他結構中的決策界限。

過去十年，深度學習的案例、應用程式和技術有所增加。這項增加部分是由作業的多樣性和數量的增加所驅動，這些作業可以併入類神經網路中、這些作業可以配置的更豐富的安排，以及針對這些改進提供的更優化的計算支援。一般而言，類神經網路架構可以分組為下列類別：

前饋類神經網路
卷積神經網路
遞迴神經網路
生成對抗網路
變形金剛

如需詳細資訊，請參閱人工神經網路指南。

我可以針對哪些專案使用深度學習？

深度學習架構在涉及非結構化數據的工作中表現良好，例如影像、音訊和自由格式文字。因此，深度學習已用來解決問題，例如：

影像分類
音訊分類
譯本
文字產生
文字分類

ML.NET 中的深度學習

從頭開始定型深度學習模型需要設定數個參數、大量的標記定型數據，以及大量的計算資源（數百個 GPU 時數）。 ML.NET 可讓您使用預訓練模型和知識轉移技術，例如遷移學習和微調，來簡化此過程。

ML.NET 也可讓您匯入在其他架構中定型的模型，並在 .NET 應用程式中取用模型。

視案例而定，您可以使用本機 GPU 和 Azure GPU 計算資源來定型和使用深度學習模型。

訓練自定義模型

ML.NET 提供 API 來定型自定義深度學習模型，並使用它們在您的 .NET 應用程式內進行預測。

這些 API 由 TorchSharp 和 TensorFlow.NET提供。

影像分類

在 ML.NET 您可以使用 ImageClassification 一組 API 來定型自定義影像分類模型。

ML.NET 中的影像分類訓練流程可能如下所示：

//Append ImageClassification trainer to the pipeline containing any preprocessing transforms.
pipeline
    .Append(mlContext.MulticlassClassification.Trainers.ImageClassification(featureColumnName: "Image")
    .Append(mlContext.Transforms.Conversion.MapKeyToValue("PredictedLabel");

// Train the model.
var model = pipeline.Fit(trainingData);

// Use the model for inferencing.
var predictedData = model.Transform(newData).GetColumn<string>("PredictedLabel");

若要開始在 ML.NET 中定型自定義影像分類模型，請參閱使用模型產生器在 Azure 中訓練影像分類模型。

物件偵測

ML.NET 可讓您使用 Azure Machine Learning 在模型產生器中定型自定義物件偵測模型。您只需要加上標籤的數據集，其中包含周框方塊資訊，以及周框方塊中物件所屬的類別。

訓練過程的結果是 ONNX 模型，然後可以使用 ApplyOnnxModel 轉換來進行預測。

目前，ML.NET 中沒有對象偵測的本機支援。

若要使用 ML.NET 定型自訂物件偵測模型，請參閱使用模型建構器偵測停止標誌的教學課程。

文字分類

分類自由格式文字，無論是客戶評論還是商務備忘錄，都是許多程式的重要部分。

在 ML.NET 中，您可以使用 TextClassificationTrainer 組 API 來定型自定義文字分類模型。用來在 ML.NET 中定型自定義文字分類模型的技術稱為微調。微調能使您採用預先訓練的模型，並使用您自己的數據對特定於您的領域或問題的層進行再訓練。這可讓您擁有更量身打造的模型來解決您的問題，而不需要從頭開始訓練整個模型的程式。文字分類 API 所使用的預先定型模型是 NAS-BERT的 TorchSharp 實作。

ML.NET 中的文字分類訓練流程看起來可能如下所示：

// Define training pipeline using TextClassification trainer
var pipeline =
    mlContext.Transforms.Conversion.MapValueToKey("Label","Sentiment")
        .Append(mlContext.MulticlassClassification.Trainers.TextClassification(sentence1ColumnName: "Text"))
        .Append(mlContext.Transforms.Conversion.MapKeyToValue("PredictedLabel"));

// Train the model
var model = pipeline.Fit(trainingData);

// Use your model to make predictions
var predictedData = model.Transform(newData).GetColumn<string>("PredictedLabel");

若要開始使用 ML.NET 訓練文本分類模型，請參閱使用 ML.NET 模型產生器進行的教學課程，以分析 Web 應用程式中網站評論的情感。

句子相似性

語意搜尋等工作會依賴判斷兩個句子或文字段落彼此的相似程度。

ML.NET 提供一組與 TextClassificationTrainer相同的基礎模型和微調技術的 SentenceSimilarityTrainer API。不過，它不會產生類別做為輸出，而是會產生數值，代表兩個段落的相似性。

ML.NET 中句子相似性的定型和推斷管線看起來可能如下所示：

// Define the pipeline.
var pipeline = mlContext.Regression.Trainers.SentenceSimilarity(sentence1ColumnName: "Sentence", sentence2ColumnName: "Sentence2");

// Train the model
var model = pipeline.Fit(trainingData);

// Use the model to make predictions and extract their similarity values.
var score = model.Transform(newData).GetColumn<float>("Score");

若要開始使用句子相似性，請參閱 dotnet/machinelearning-samples 存放庫中的範例。

取用預先定型的模型

ML.NET 提供 API 來取用 TensorFlow 和 ONNX 等其他格式的模型，並使用它們在您的 .NET 應用程式中進行預測。

這些 API 由 TensorFlow.NET 和 ONNX Runtime提供。

TensorFlow

TensorFlow 是一種深度學習架構，具有豐富的生態系統，以及 TensorFlow 中樞中提供的各種預先定型模型。

透過 ML.NET，您可以採用這些預先定型的 TensorFlow 模型，並使用它們在 .NET 應用程式內進行推論。

使用預先定型 TensorFlow 模型的推斷管線看起來可能如下所示：

// Load TensorFlow model
TensorFlowModel tensorFlowModel = mlContext.Model.LoadTensorFlowModel(_modelPath);

//Append ScoreTensorFlowModel transform to your pipeline containing any preprocessing transforms
pipeline.Append(tensorFlowModel.ScoreTensorFlowModel(outputColumnName: "Prediction/Softmax", inputColumnName:"Features"))

// Create ML.NET model from pipeline
ITransformer model = pipeline.Fit(dataView);

var predictions = model.Transform(dataView).GetColumn<float>("Prediction/Softmax");

若要開始使用預先訓練的 TensorFlow 模型搭配 ML.NET，請參閱 ML.NET 教學中使用預先訓練的 TensorFlow 模型來進行電影評論情感分析。

ONNX

開放式類神經網路交換（ONNX）是一種開放原始碼格式，旨在啟用機器學習與深度學習架構之間的互操作性。這表示您可以在 PyTorch 等眾多熱門機器學習架構之一中定型模型、將模型轉換成 ONNX 格式，並在 ML.NET 等不同架構中取用 ONNX 模型。

ONNX 模型存放庫裝載數個預先定型的 ONNX 模型，可用來推斷各種工作。

透過 ML.NET，您可以採用這些預先定型的 ONNX 模型，並在 .NET 應用程式內使用它們來進行推論。

使用預先定型 ONNX 模型的推斷管線看起來可能如下所示：

// Append ApplyOnnxModel transform to pipeline containing any preprocessing transforms
pipeline.Append((modelFile: modelLocation, outputColumnNames: new[] { TinyYoloModelSettings.ModelOutput }, inputColumnNames: new[] { TinyYoloModelSettings.ModelInput })

// Create ML.NET model from pipeline
var model = pipeline.Fit(data);

// Use the model to make predictions
var predictions = pipeline.Fit(data).GetColumn<float[]>(TinyYoloModelSettings.ModelOutput);

若要開始使用預先定型的 ONNX 模型搭配 ML.NET，請參閱 ML.NET 教学课程中的物件偵測。

共用方式為