DnnImageFeaturizerEstimator Kelas
Definisi
Penting
Beberapa informasi terkait produk prarilis yang dapat diubah secara signifikan sebelum dirilis. Microsoft tidak memberikan jaminan, tersirat maupun tersurat, sehubungan dengan informasi yang diberikan di sini.
Menerapkan model deep neural network (DNN) yang telah dilatih sebelumnya untuk menampilkan data gambar input.
public sealed class DnnImageFeaturizerEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Data.TransformerChain<Microsoft.ML.Transforms.ColumnCopyingTransformer>>
type DnnImageFeaturizerEstimator = class
interface IEstimator<TransformerChain<ColumnCopyingTransformer>>
Public NotInheritable Class DnnImageFeaturizerEstimator
Implements IEstimator(Of TransformerChain(Of ColumnCopyingTransformer))
- Warisan
-
DnnImageFeaturizerEstimator
- Penerapan
Keterangan
Karakteristik Estimator
Apakah estimator ini perlu melihat data untuk melatih parameternya? | Tidak |
Jenis data kolom input | Vektor dari Single |
Jenis data kolom output | Vektor Single, ukuran vektor tergantung pada DNN yang telah dilatih sebelumnya |
Dapat diekspor ke ONNX | Tidak |
Persyaratan NuGet:
- Microsoft.ML.OnnxTransformer
- Microsoft.ML.OnnxRuntime.Gpu (hanya jika pemrosesan GPU digunakan)
- Setiap model DNN yang telah dilatih sebelumnya memiliki NuGet terpisah yang harus disertakan jika model tersebut digunakan:
- Microsoft.ML.DnnImageFeaturizer.AlexNet
- Microsoft.ML.DnnImageFeaturizer.ResNet18
- Microsoft.ML.DnnImageFeaturizer.ResNet50
- Microsoft.ML.DnnImageFeaturizer.ResNet101
Transformator yang dihasilkan membuat kolom baru, bernama seperti yang ditentukan dalam parameter nama kolom output, di mana jaringan neural dalam yang telah dilatih sebelumnya diterapkan ke data gambar input.
Estimator ini adalah pembungkus OnnxScoringEstimator dengan model pra-terlatih DNN yang tersedia saat ini dan beberapa ColumnCopyingEstimator. ColumnCopyingEstimator diperlukan untuk memungkinkan nama input dan output kolom arbitrer, karena jika tidakOnnxScoringEstimator, akan mengharuskan nama kolom untuk mencocokkan nama node model ONNX.
Setiap persyaratan platform untuk estimator ini akan mengikuti persyaratan pada OnnxScoringEstimator.
Periksa bagian Lihat Juga untuk tautan ke contoh penggunaan.
Metode
Fit(IDataView) |
Perhatikan bahwa OnnxEstimator yang didasarkan pada ini adalah estimator sepele, sehingga ini tidak melakukan pelatihan aktual, hanya memverifikasi skema. |
GetOutputSchema(SchemaShape) |
Menerapkan model deep neural network (DNN) yang telah dilatih sebelumnya untuk menampilkan data gambar input. |
Metode Ekstensi
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Tambahkan 'titik pemeriksaan penembolokan' ke rantai estimator. Ini akan memastikan bahwa estimator hilir akan dilatih terhadap data cache. Sangat membantu untuk memiliki titik pemeriksaan penembolokan sebelum pelatih yang mengambil beberapa data berlalu. |
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Mengingat estimator, kembalikan objek pembungkus yang akan memanggil delegasi setelah Fit(IDataView) dipanggil. Seringkali penting bagi estimator untuk mengembalikan informasi tentang apa yang cocok, itulah sebabnya Fit(IDataView) metode mengembalikan objek yang di ketik secara khusus, bukan hanya umum ITransformer. Namun, pada saat yang sama, IEstimator<TTransformer> sering dibentuk menjadi alur dengan banyak objek, jadi kita mungkin perlu membangun rantai estimator melalui EstimatorChain<TLastTransformer> di mana estimator yang ingin kita dapatkan transformator dimakamkan di suatu tempat dalam rantai ini. Untuk skenario itu, kita dapat melalui metode ini melampirkan delegasi yang akan dipanggil setelah fit dipanggil. |
Berlaku untuk
Lihat juga
Saran dan Komentar
https://aka.ms/ContentUserFeedback.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat:Kirim dan lihat umpan balik untuk