OnnxCatalog.ApplyOnnxModel Metoda
Definice
Důležité
Některé informace platí pro předběžně vydaný produkt, který se může zásadně změnit, než ho výrobce nebo autor vydá. Microsoft neposkytuje žádné záruky, výslovné ani předpokládané, týkající se zde uváděných informací.
Přetížení
| ApplyOnnxModel(TransformsCatalog, OnnxOptions) |
Vytvořte OnnxScoringEstimator pomocí zadaného OnnxOptionsparametru . Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator . |
| ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean) |
OnnxScoringEstimatorVytvořte pro vstupní sloupec předem natrénovaný model Onnx. Vstupní a výstupní sloupce se určují na základě vstupních a výstupních sloupců zadaného modelu ONNX. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator . |
| ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean) |
OnnxScoringEstimatorVytvořte pro vstupní sloupec předem natrénovaný model Onnx. Vstupní a výstupní sloupce se určují na základě vstupních a výstupních sloupců zadaného modelu ONNX. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator . |
| ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean) |
Vytvořte OnnxScoringEstimatorpro sloupec předem natrénovaný model |
| ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean) |
OnnxScoringEstimatorVytvořte pro sloupce předem vytrénovaný model |
| ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean) |
Vytvořte OnnxScoringEstimatorpro sloupec předem natrénovaný model |
| ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean) |
OnnxScoringEstimatorVytvořte pro sloupce předem vytrénovaný model |
| ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32) |
OnnxScoringEstimatorVytvořte pro sloupce předem vytrénovaný model |
ApplyOnnxModel(TransformsCatalog, OnnxOptions)
Vytvořte OnnxScoringEstimator pomocí zadaného OnnxOptionsparametru . Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, Microsoft.ML.Transforms.Onnx.OnnxOptions options);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * Microsoft.ML.Transforms.Onnx.OnnxOptions -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, options As OnnxOptions) As OnnxScoringEstimatorParametry
- catalog
- TransformsCatalog
Katalog transformace.
- options
- OnnxOptions
Možnosti pro OnnxScoringEstimator.
Návraty
Poznámky
Pokud jsou možnosti. Hodnota GpuDeviceId je nullMLContext.GpuDeviceId hodnota, která se použije, pokud není null.
Platí pro
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)
OnnxScoringEstimatorVytvořte pro vstupní sloupec předem natrénovaný model Onnx. Vstupní a výstupní sloupce se určují na základě vstupních a výstupních sloupců zadaného modelu ONNX. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string modelFile, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, modelFile As String, Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParametry
- catalog
- TransformsCatalog
Katalog transformace.
- modelFile
- String
Cesta k souboru obsahujícího model ONNX.
Volitelné ID zařízení GPU, na které se má spustit spouštění, null pro spuštění na procesoru.
- fallbackToCpu
- Boolean
Pokud dojde k chybě GPU, vyvolání výjimky nebo náhradního obnovení procesoru
Návraty
Příklady
using System;
using System.IO;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
namespace Samples.Dynamic
{
public static class ApplyOnnxModel
{
public static void Example()
{
// Download the squeeznet image model from ONNX model zoo, version 1.2
// https://github.com/onnx/models/tree/master/squeezenet or
// https://s3.amazonaws.com/download.onnx/models/opset_8/squeezenet.tar.gz
// or use Microsoft.ML.Onnx.TestModels nuget.
var modelPath = @"squeezenet\00000001\model.onnx";
// Create ML pipeline to score the data using OnnxScoringEstimator
var mlContext = new MLContext();
// Generate sample test data.
var samples = GetTensorData();
// Convert training data to IDataView, the general data type used in
// ML.NET.
var data = mlContext.Data.LoadFromEnumerable(samples);
// Create the pipeline to score using provided onnx model.
var pipeline = mlContext.Transforms.ApplyOnnxModel(modelPath);
// Fit the pipeline and get the transformed values
var transformedValues = pipeline.Fit(data).Transform(data);
// Retrieve model scores into Prediction class
var predictions = mlContext.Data.CreateEnumerable<Prediction>(
transformedValues, reuseRowObject: false);
// Iterate rows
foreach (var prediction in predictions)
{
int numClasses = 0;
foreach (var classScore in prediction.softmaxout_1.Take(3))
{
Console.WriteLine("Class #" + numClasses++ + " score = " +
classScore);
}
Console.WriteLine(new string('-', 10));
}
// Results look like below...
// Class #0 score = 4.544065E-05
// Class #1 score = 0.003845858
// Class #2 score = 0.0001249467
// ----------
// Class #0 score = 4.491953E-05
// Class #1 score = 0.003848222
// Class #2 score = 0.0001245592
// ----------
}
// inputSize is the overall dimensions of the model input tensor.
private const int inputSize = 224 * 224 * 3;
// A class to hold sample tensor data. Member name should match
// the inputs that the model expects (in this case, data_0)
public class TensorData
{
[VectorType(inputSize)]
public float[] data_0 { get; set; }
}
// Method to generate sample test data. Returns 2 sample rows.
public static TensorData[] GetTensorData()
{
// This can be any numerical data. Assume image pixel values.
var image1 = Enumerable.Range(0, inputSize).Select(x => (float)x /
inputSize).ToArray();
var image2 = Enumerable.Range(0, inputSize).Select(x => (float)(x +
10000) / inputSize).ToArray();
return new TensorData[] { new TensorData() { data_0 = image1 }, new
TensorData() { data_0 = image2 } };
}
// Class to contain the output values from the transformation.
// This model generates a vector of 1000 floats.
class Prediction
{
[VectorType(1000)]
public float[] softmaxout_1 { get; set; }
}
}
}
Poznámky
Název/typ vstupních sloupců musí přesně odpovídat názvu nebo typu vstupů modelu ONNX. Název/typ produkovaných výstupních sloupců bude odpovídat názvu nebo typu výstupů modelu ONNX. Pokud je nullMLContext.GpuDeviceId hodnotou gpuDeviceId hodnota, použije se, pokud není null.
Platí pro
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
OnnxScoringEstimatorVytvořte pro vstupní sloupec předem natrénovaný model Onnx. Vstupní a výstupní sloupce se určují na základě vstupních a výstupních sloupců zadaného modelu ONNX. Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParametry
- catalog
- TransformsCatalog
Katalog transformace.
- modelFile
- String
Cesta k souboru obsahujícího model ONNX.
- shapeDictionary
- IDictionary<String,Int32[]>
Obrazce ONNX, které se mají použít pro ty, které jsou načteny z modelFile.
Pro klíče se používají názvy uvedené v modelu ONNX, například "input". Uvedení obrazců s tímto parametrem je zvláště užitečné pro práci se vstupy a výstupy proměnných dimenzí.
Volitelné ID zařízení GPU, na které se má spustit spouštění, null pro spuštění na procesoru.
- fallbackToCpu
- Boolean
Pokud dojde k chybě GPU, vyvolání výjimky nebo náhradního obnovení procesoru
Návraty
Příklady
using System;
using System.IO;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
namespace Samples.Dynamic
{
public static class ApplyOnnxModel
{
public static void Example()
{
// Download the squeeznet image model from ONNX model zoo, version 1.2
// https://github.com/onnx/models/tree/master/squeezenet or
// https://s3.amazonaws.com/download.onnx/models/opset_8/squeezenet.tar.gz
// or use Microsoft.ML.Onnx.TestModels nuget.
var modelPath = @"squeezenet\00000001\model.onnx";
// Create ML pipeline to score the data using OnnxScoringEstimator
var mlContext = new MLContext();
// Generate sample test data.
var samples = GetTensorData();
// Convert training data to IDataView, the general data type used in
// ML.NET.
var data = mlContext.Data.LoadFromEnumerable(samples);
// Create the pipeline to score using provided onnx model.
var pipeline = mlContext.Transforms.ApplyOnnxModel(modelPath);
// Fit the pipeline and get the transformed values
var transformedValues = pipeline.Fit(data).Transform(data);
// Retrieve model scores into Prediction class
var predictions = mlContext.Data.CreateEnumerable<Prediction>(
transformedValues, reuseRowObject: false);
// Iterate rows
foreach (var prediction in predictions)
{
int numClasses = 0;
foreach (var classScore in prediction.softmaxout_1.Take(3))
{
Console.WriteLine("Class #" + numClasses++ + " score = " +
classScore);
}
Console.WriteLine(new string('-', 10));
}
// Results look like below...
// Class #0 score = 4.544065E-05
// Class #1 score = 0.003845858
// Class #2 score = 0.0001249467
// ----------
// Class #0 score = 4.491953E-05
// Class #1 score = 0.003848222
// Class #2 score = 0.0001245592
// ----------
}
// inputSize is the overall dimensions of the model input tensor.
private const int inputSize = 224 * 224 * 3;
// A class to hold sample tensor data. Member name should match
// the inputs that the model expects (in this case, data_0)
public class TensorData
{
[VectorType(inputSize)]
public float[] data_0 { get; set; }
}
// Method to generate sample test data. Returns 2 sample rows.
public static TensorData[] GetTensorData()
{
// This can be any numerical data. Assume image pixel values.
var image1 = Enumerable.Range(0, inputSize).Select(x => (float)x /
inputSize).ToArray();
var image2 = Enumerable.Range(0, inputSize).Select(x => (float)(x +
10000) / inputSize).ToArray();
return new TensorData[] { new TensorData() { data_0 = image1 }, new
TensorData() { data_0 = image2 } };
}
// Class to contain the output values from the transformation.
// This model generates a vector of 1000 floats.
class Prediction
{
[VectorType(1000)]
public float[] softmaxout_1 { get; set; }
}
}
}
Poznámky
Název/typ vstupních sloupců musí přesně odpovídat názvu nebo typu vstupů modelu ONNX. Název/typ produkovaných výstupních sloupců bude odpovídat názvu nebo typu výstupů modelu ONNX. Pokud je nullMLContext.GpuDeviceId hodnotou gpuDeviceId hodnota, použije se, pokud není null.
Platí pro
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)
Vytvořte OnnxScoringEstimatorpro sloupec předem natrénovaný model inputColumnName Onnx.
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string outputColumnName, string inputColumnName, string modelFile, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * string * string * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnName As String, inputColumnName As String, modelFile As String, Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParametry
- catalog
- TransformsCatalog
Katalog transformace.
- outputColumnName
- String
Výstupní sloupec, který je výsledkem transformace.
- inputColumnName
- String
Vstupní sloupec.
- modelFile
- String
Cesta k souboru obsahujícího model ONNX.
Volitelné ID zařízení GPU, na které se má spustit spouštění, null pro spuštění na procesoru.
- fallbackToCpu
- Boolean
Pokud dojde k chybě GPU, vyvolání výjimky nebo náhradního obnovení procesoru
Návraty
Příklady
using System;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms.Image;
namespace Samples.Dynamic
{
public static class ApplyOnnxModelWithInMemoryImages
{
// Example of applying ONNX transform on in-memory images.
public static void Example()
{
// Download the squeeznet image model from ONNX model zoo, version 1.2
// https://github.com/onnx/models/tree/master/vision/classification/squeezenet or use
// Microsoft.ML.Onnx.TestModels nuget.
// It's a multiclass classifier. It consumes an input "data_0" and
// produces an output "softmaxout_1".
var modelPath = @"squeezenet\00000001\model.onnx";
// Create ML pipeline to score the data using OnnxScoringEstimator
var mlContext = new MLContext();
// Create in-memory data points. Its Image/Scores field is the
// input /output of the used ONNX model.
var dataPoints = new ImageDataPoint[]
{
new ImageDataPoint(red: 255, green: 0, blue: 0), // Red color
new ImageDataPoint(red: 0, green: 128, blue: 0) // Green color
};
// Convert training data to IDataView, the general data type used in
// ML.NET.
var dataView = mlContext.Data.LoadFromEnumerable(dataPoints);
// Create a ML.NET pipeline which contains two steps. First,
// ExtractPixle is used to convert the 224x224 image to a 3x224x224
// float tensor. Then the float tensor is fed into a ONNX model with an
// input called "data_0" and an output called "softmaxout_1". Note that
// "data_0" and "softmaxout_1" are model input and output names stored
// in the used ONNX model file. Users may need to inspect their own
// models to get the right input and output column names.
// Map column "Image" to column "data_0"
// Map column "data_0" to column "softmaxout_1"
var pipeline = mlContext.Transforms.ExtractPixels("data_0", "Image")
.Append(mlContext.Transforms.ApplyOnnxModel("softmaxout_1",
"data_0", modelPath));
var model = pipeline.Fit(dataView);
var onnx = model.Transform(dataView);
// Convert IDataView back to IEnumerable<ImageDataPoint> so that user
// can inspect the output, column "softmaxout_1", of the ONNX transform.
// Note that Column "softmaxout_1" would be stored in ImageDataPont
//.Scores because the added attributed [ColumnName("softmaxout_1")]
// tells that ImageDataPont.Scores is equivalent to column
// "softmaxout_1".
var transformedDataPoints = mlContext.Data.CreateEnumerable<
ImageDataPoint>(onnx, false).ToList();
// The scores are probabilities of all possible classes, so they should
// all be positive.
foreach (var dataPoint in transformedDataPoints)
{
var firstClassProb = dataPoint.Scores.First();
var lastClassProb = dataPoint.Scores.Last();
Console.WriteLine("The probability of being the first class is " +
(firstClassProb * 100) + "%.");
Console.WriteLine($"The probability of being the last class is " +
(lastClassProb * 100) + "%.");
}
// Expected output:
// The probability of being the first class is 0.002542659%.
// The probability of being the last class is 0.0292684%.
// The probability of being the first class is 0.02258059%.
// The probability of being the last class is 0.394428%.
}
// This class is used in Example() to describe data points which will be
// consumed by ML.NET pipeline.
private class ImageDataPoint
{
// Height of Image.
private const int height = 224;
// Width of Image.
private const int width = 224;
// Image will be consumed by ONNX image multiclass classification model.
[ImageType(height, width)]
public MLImage Image { get; set; }
// Expected output of ONNX model. It contains probabilities of all
// classes. Note that the ColumnName below should match the output name
// in the used ONNX model file.
[ColumnName("softmaxout_1")]
public float[] Scores { get; set; }
public ImageDataPoint()
{
Image = null;
}
public ImageDataPoint(byte red, byte green, byte blue)
{
byte[] imageData = new byte[width * height * 4]; // 4 for the red, green, blue and alpha colors
for (int i = 0; i < imageData.Length; i += 4)
{
// Fill the buffer with the Bgra32 format
imageData[i] = blue;
imageData[i + 1] = green;
imageData[i + 2] = red;
imageData[i + 3] = 255;
}
Image = MLImage.CreateFromPixels(width, height, MLPixelFormat.Bgra32, imageData);
}
}
}
}
Poznámky
Pokud je nullMLContext.GpuDeviceId hodnotou gpuDeviceId hodnota, použije se, pokud není null.
Platí pro
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)
OnnxScoringEstimatorVytvořte pro sloupce předem vytrénovaný model inputColumnNames Onnx.
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string[] outputColumnNames, string[] inputColumnNames, string modelFile, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string[] * string[] * string * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnNames As String(), inputColumnNames As String(), modelFile As String, Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParametry
- catalog
- TransformsCatalog
Katalog transformace.
- outputColumnNames
- String[]
Výstupní sloupce, které jsou výsledkem transformace.
- inputColumnNames
- String[]
Vstupní sloupce.
- modelFile
- String
Cesta k souboru obsahujícího model ONNX.
Volitelné ID zařízení GPU, na které se má spustit spouštění, null pro spuštění na procesoru.
- fallbackToCpu
- Boolean
Pokud dojde k chybě GPU, vyvolání výjimky nebo náhradního obnovení procesoru
Návraty
Poznámky
Pokud je nullMLContext.GpuDeviceId hodnotou gpuDeviceId hodnota, použije se, pokud není null.
Platí pro
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
Vytvořte OnnxScoringEstimatorpro sloupec předem natrénovaný model inputColumnName Onnx.
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string outputColumnName, string inputColumnName, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * string * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnName As String, inputColumnName As String, modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParametry
- catalog
- TransformsCatalog
Katalog transformace.
- outputColumnName
- String
Výstupní sloupec, který je výsledkem transformace.
- inputColumnName
- String
Vstupní sloupec.
- modelFile
- String
Cesta k souboru obsahujícího model ONNX.
- shapeDictionary
- IDictionary<String,Int32[]>
Obrazce ONNX, které se mají použít pro ty, které jsou načteny z modelFile.
Pro klíče se používají názvy uvedené v modelu ONNX, například "input". Uvedení obrazců s tímto parametrem je zvláště užitečné pro práci se vstupy a výstupy proměnných dimenzí.
Volitelné ID zařízení GPU, na které se má spustit spouštění, null pro spuštění na procesoru.
- fallbackToCpu
- Boolean
Pokud dojde k chybě GPU, vyvolání výjimky nebo náhradního obnovení procesoru
Návraty
Příklady
using System;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms.Image;
namespace Samples.Dynamic
{
public static class ApplyOnnxModelWithInMemoryImages
{
// Example of applying ONNX transform on in-memory images.
public static void Example()
{
// Download the squeeznet image model from ONNX model zoo, version 1.2
// https://github.com/onnx/models/tree/master/vision/classification/squeezenet or use
// Microsoft.ML.Onnx.TestModels nuget.
// It's a multiclass classifier. It consumes an input "data_0" and
// produces an output "softmaxout_1".
var modelPath = @"squeezenet\00000001\model.onnx";
// Create ML pipeline to score the data using OnnxScoringEstimator
var mlContext = new MLContext();
// Create in-memory data points. Its Image/Scores field is the
// input /output of the used ONNX model.
var dataPoints = new ImageDataPoint[]
{
new ImageDataPoint(red: 255, green: 0, blue: 0), // Red color
new ImageDataPoint(red: 0, green: 128, blue: 0) // Green color
};
// Convert training data to IDataView, the general data type used in
// ML.NET.
var dataView = mlContext.Data.LoadFromEnumerable(dataPoints);
// Create a ML.NET pipeline which contains two steps. First,
// ExtractPixle is used to convert the 224x224 image to a 3x224x224
// float tensor. Then the float tensor is fed into a ONNX model with an
// input called "data_0" and an output called "softmaxout_1". Note that
// "data_0" and "softmaxout_1" are model input and output names stored
// in the used ONNX model file. Users may need to inspect their own
// models to get the right input and output column names.
// Map column "Image" to column "data_0"
// Map column "data_0" to column "softmaxout_1"
var pipeline = mlContext.Transforms.ExtractPixels("data_0", "Image")
.Append(mlContext.Transforms.ApplyOnnxModel("softmaxout_1",
"data_0", modelPath));
var model = pipeline.Fit(dataView);
var onnx = model.Transform(dataView);
// Convert IDataView back to IEnumerable<ImageDataPoint> so that user
// can inspect the output, column "softmaxout_1", of the ONNX transform.
// Note that Column "softmaxout_1" would be stored in ImageDataPont
//.Scores because the added attributed [ColumnName("softmaxout_1")]
// tells that ImageDataPont.Scores is equivalent to column
// "softmaxout_1".
var transformedDataPoints = mlContext.Data.CreateEnumerable<
ImageDataPoint>(onnx, false).ToList();
// The scores are probabilities of all possible classes, so they should
// all be positive.
foreach (var dataPoint in transformedDataPoints)
{
var firstClassProb = dataPoint.Scores.First();
var lastClassProb = dataPoint.Scores.Last();
Console.WriteLine("The probability of being the first class is " +
(firstClassProb * 100) + "%.");
Console.WriteLine($"The probability of being the last class is " +
(lastClassProb * 100) + "%.");
}
// Expected output:
// The probability of being the first class is 0.002542659%.
// The probability of being the last class is 0.0292684%.
// The probability of being the first class is 0.02258059%.
// The probability of being the last class is 0.394428%.
}
// This class is used in Example() to describe data points which will be
// consumed by ML.NET pipeline.
private class ImageDataPoint
{
// Height of Image.
private const int height = 224;
// Width of Image.
private const int width = 224;
// Image will be consumed by ONNX image multiclass classification model.
[ImageType(height, width)]
public MLImage Image { get; set; }
// Expected output of ONNX model. It contains probabilities of all
// classes. Note that the ColumnName below should match the output name
// in the used ONNX model file.
[ColumnName("softmaxout_1")]
public float[] Scores { get; set; }
public ImageDataPoint()
{
Image = null;
}
public ImageDataPoint(byte red, byte green, byte blue)
{
byte[] imageData = new byte[width * height * 4]; // 4 for the red, green, blue and alpha colors
for (int i = 0; i < imageData.Length; i += 4)
{
// Fill the buffer with the Bgra32 format
imageData[i] = blue;
imageData[i + 1] = green;
imageData[i + 2] = red;
imageData[i + 3] = 255;
}
Image = MLImage.CreateFromPixels(width, height, MLPixelFormat.Bgra32, imageData);
}
}
}
}
Poznámky
Pokud je nullMLContext.GpuDeviceId hodnotou gpuDeviceId hodnota, použije se, pokud není null.
Platí pro
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
OnnxScoringEstimatorVytvořte pro sloupce předem natrénovaný model inputColumnNames Onnx.
Další informace o potřebných závislostech a o tom, jak ho spustit na GPU, najdete v tématu OnnxScoringEstimator .
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string[] outputColumnNames, string[] inputColumnNames, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string[] * string[] * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnNames As String(), inputColumnNames As String(), modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimatorParametry
- catalog
- TransformsCatalog
Katalog transformace.
- outputColumnNames
- String[]
Výstupní sloupce, které jsou výsledkem transformace.
- inputColumnNames
- String[]
Vstupní sloupce.
- modelFile
- String
Cesta k souboru obsahujícího model ONNX.
- shapeDictionary
- IDictionary<String,Int32[]>
Obrazce ONNX, které se mají použít přes obrazce načtené z modelFile.
Pro klíče se používají názvy uvedené v modelu ONNX, například "input". Hlásí obrazce s tímto parametrem, které jsou zvláště užitečné pro práci se vstupy a výstupy proměnných dimenzí.
- fallbackToCpu
- Boolean
Pokud dojde k chybě GPU, vyvolání výjimky nebo navrácení procesoru.
Návraty
Poznámky
Pokud je nullMLContext.GpuDeviceId hodnota gpuDeviceId hodnota, použije se, pokud není null.
Platí pro
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)
OnnxScoringEstimatorVytvořte pro sloupce předem natrénovaný model inputColumnNames Onnx.
Další informace o potřebných závislostech a o tom, jak ho spustit na GPU, najdete v tématu OnnxScoringEstimator .
public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string[] outputColumnNames, string[] inputColumnNames, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false, int recursionLimit = 100);static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string[] * string[] * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool * int -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnNames As String(), inputColumnNames As String(), modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false, Optional recursionLimit As Integer = 100) As OnnxScoringEstimatorParametry
- catalog
- TransformsCatalog
Katalog transformace.
- outputColumnNames
- String[]
Výstupní sloupce vyplývající z transformace.
- inputColumnNames
- String[]
Vstupní sloupce.
- modelFile
- String
Cesta k souboru obsahujícího model ONNX.
- shapeDictionary
- IDictionary<String,Int32[]>
Obrazce ONNX, které se mají použít přes obrazce načtené z modelFile.
Pro klíče se používají názvy uvedené v modelu ONNX, například "input". Hlásí obrazce s tímto parametrem, které jsou zvláště užitečné pro práci se vstupy a výstupy proměnných dimenzí.
- fallbackToCpu
- Boolean
Pokud dojde k chybě GPU, vyvolání výjimky nebo navrácení procesoru.
- recursionLimit
- Int32
Volitelné, určuje protobuf CodedInputStream recursion limit. Výchozí hodnota je 100.
Návraty
Poznámky
Pokud je nullMLContext.GpuDeviceId hodnota gpuDeviceId hodnota, použije se, pokud není null.
Platí pro
Váš názor
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu: https://aka.ms/ContentUserFeedback.
Odeslat a zobrazit názory pro