Condividi tramite


OnnxCatalog.ApplyOnnxModel Metodo

Definizione

Overload

ApplyOnnxModel(TransformsCatalog, OnnxOptions)

Creare un OnnxScoringEstimator oggetto usando l'oggetto specificato OnnxOptions. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)

Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla colonna di input. Le colonne di input/output vengono determinate in base alle colonne di input/output del modello ONNX fornito. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla colonna di input. Le colonne di input/output vengono determinate in base alle colonne di input/output del modello ONNX fornito. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)

Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla inputColumnName colonna. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)

Creare un OnnxScoringEstimatoroggetto , che applica un modello Onnx pre-sottoposto a training alle inputColumnNames colonne. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla inputColumnName colonna. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Creare un OnnxScoringEstimatoroggetto , che applica un modello Onnx pre-sottoposto a training alle inputColumnNames colonne. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)

Creare un OnnxScoringEstimatoroggetto , che applica un modello Onnx pre-sottoposto a training alle inputColumnNames colonne. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

ApplyOnnxModel(TransformsCatalog, OnnxOptions)

Creare un OnnxScoringEstimator oggetto usando l'oggetto specificato OnnxOptions. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

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 OnnxScoringEstimator

Parametri

catalog
TransformsCatalog

Catalogo della trasformazione.

options
OnnxOptions

Opzioni per .OnnxScoringEstimator

Restituisce

Commenti

Se le opzioni sono disponibili. Il valore GpuDeviceId è null il MLContext.GpuDeviceId valore che verrà usato se non nullè .

Si applica a

ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)

Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla colonna di input. Le colonne di input/output vengono determinate in base alle colonne di input/output del modello ONNX fornito. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

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 OnnxScoringEstimator

Parametri

catalog
TransformsCatalog

Catalogo della trasformazione.

modelFile
String

Percorso del file contenente il modello ONNX.

gpuDeviceId
Nullable<Int32>

ID dispositivo GPU facoltativo su cui eseguire l'esecuzione, null per l'esecuzione nella CPU.

fallbackToCpu
Boolean

Se l'errore della GPU genera un'eccezione o il fallback alla CPU.

Restituisce

Esempio

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; }
        }
    }
}

Commenti

Il nome/tipo di colonne di input deve corrispondere esattamente al nome/tipo degli input del modello ONNX. Il nome/tipo delle colonne di output prodotte corrisponderà al nome/tipo degli output del modello ONNX. Se il valore gpuDeviceId è null il MLContext.GpuDeviceId valore verrà usato se non nullè .

Si applica a

ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla colonna di input. Le colonne di input/output vengono determinate in base alle colonne di input/output del modello ONNX fornito. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

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 OnnxScoringEstimator

Parametri

catalog
TransformsCatalog

Catalogo della trasformazione.

modelFile
String

Percorso del file contenente il modello ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Forme ONNX da usare su quelle caricate da modelFile. Per le chiavi usare i nomi come indicato nel modello ONNX, ad esempio "input". L'indicazione delle forme con questo parametro è particolarmente utile per l'uso di input e output delle dimensioni variabili.

gpuDeviceId
Nullable<Int32>

ID dispositivo GPU facoltativo su cui eseguire l'esecuzione, null per l'esecuzione nella CPU.

fallbackToCpu
Boolean

Se l'errore della GPU genera un'eccezione o il fallback alla CPU.

Restituisce

Esempio

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; }
        }
    }
}

Commenti

Il nome/tipo di colonne di input deve corrispondere esattamente al nome/tipo degli input del modello ONNX. Il nome/tipo delle colonne di output prodotte corrisponderà al nome/tipo degli output del modello ONNX. Se il valore gpuDeviceId è null il MLContext.GpuDeviceId valore verrà usato se non nullè .

Si applica a

ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)

Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla inputColumnName colonna. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

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 OnnxScoringEstimator

Parametri

catalog
TransformsCatalog

Catalogo della trasformazione.

outputColumnName
String

Colonna di output risultante dalla trasformazione.

inputColumnName
String

Colonna di input.

modelFile
String

Percorso del file contenente il modello ONNX.

gpuDeviceId
Nullable<Int32>

ID dispositivo GPU facoltativo su cui eseguire l'esecuzione, null per l'esecuzione nella CPU.

fallbackToCpu
Boolean

Se l'errore della GPU genera un'eccezione o il fallback alla CPU.

Restituisce

Esempio

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);
            }
        }
    }
}

Commenti

Se il valore gpuDeviceId è null il MLContext.GpuDeviceId valore verrà usato se non nullè .

Si applica a

ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)

Creare un OnnxScoringEstimatoroggetto , che applica un modello Onnx pre-sottoposto a training alle inputColumnNames colonne. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

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 OnnxScoringEstimator

Parametri

catalog
TransformsCatalog

Catalogo della trasformazione.

outputColumnNames
String[]

Colonne di output risultanti dalla trasformazione.

inputColumnNames
String[]

Colonne di input.

modelFile
String

Percorso del file contenente il modello ONNX.

gpuDeviceId
Nullable<Int32>

ID dispositivo GPU facoltativo su cui eseguire l'esecuzione, null per l'esecuzione nella CPU.

fallbackToCpu
Boolean

Se l'errore della GPU genera un'eccezione o il fallback alla CPU.

Restituisce

Commenti

Se il valore gpuDeviceId è null il MLContext.GpuDeviceId valore verrà usato se non nullè .

Si applica a

ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla inputColumnName colonna. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

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 OnnxScoringEstimator

Parametri

catalog
TransformsCatalog

Catalogo della trasformazione.

outputColumnName
String

Colonna di output risultante dalla trasformazione.

inputColumnName
String

Colonna di input.

modelFile
String

Percorso del file contenente il modello ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Forme ONNX da usare su quelle caricate da modelFile. Per le chiavi usare i nomi come indicato nel modello ONNX, ad esempio "input". L'indicazione delle forme con questo parametro è particolarmente utile per l'uso di input e output delle dimensioni variabili.

gpuDeviceId
Nullable<Int32>

ID dispositivo GPU facoltativo su cui eseguire l'esecuzione, null per l'esecuzione nella CPU.

fallbackToCpu
Boolean

Se l'errore della GPU genera un'eccezione o il fallback alla CPU.

Restituisce

Esempio

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);
            }
        }
    }
}

Commenti

Se il valore gpuDeviceId è null il MLContext.GpuDeviceId valore verrà usato se non nullè .

Si applica a

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Creare un OnnxScoringEstimatoroggetto , che applica un modello Onnx con training preliminare alle inputColumnNames colonne. Vedere per OnnxScoringEstimator altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

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 OnnxScoringEstimator

Parametri

catalog
TransformsCatalog

Catalogo della trasformazione.

outputColumnNames
String[]

Colonne di output risultanti dalla trasformazione.

inputColumnNames
String[]

Colonne di input.

modelFile
String

Percorso del file contenente il modello ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Forme ONNX da usare su quelle caricate da modelFile. Per le chiavi usare nomi come indicato nel modello ONNX, ad esempio "input". L'indicazione delle forme con questo parametro è particolarmente utile per l'utilizzo di input e output delle dimensioni variabili.

gpuDeviceId
Nullable<Int32>

ID dispositivo GPU facoltativo su cui eseguire l'esecuzione, null per l'esecuzione nella CPU.

fallbackToCpu
Boolean

Se si verifica un errore della GPU, generare un'eccezione o eseguire il fallback alla CPU.

Restituisce

Commenti

Se il valore gpuDeviceId è null il MLContext.GpuDeviceId valore verrà usato se non nullè .

Si applica a

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)

Creare un OnnxScoringEstimatoroggetto , che applica un modello Onnx con training preliminare alle inputColumnNames colonne. Vedere per OnnxScoringEstimator altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.

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 OnnxScoringEstimator

Parametri

catalog
TransformsCatalog

Catalogo della trasformazione.

outputColumnNames
String[]

Colonne di output risultanti dalla trasformazione.

inputColumnNames
String[]

Colonne di input.

modelFile
String

Percorso del file contenente il modello ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Forme ONNX da usare su quelle caricate da modelFile. Per le chiavi usare nomi come indicato nel modello ONNX, ad esempio "input". L'indicazione delle forme con questo parametro è particolarmente utile per l'utilizzo di input e output delle dimensioni variabili.

gpuDeviceId
Nullable<Int32>

ID dispositivo GPU facoltativo su cui eseguire l'esecuzione, null per l'esecuzione nella CPU.

fallbackToCpu
Boolean

Se si verifica un errore della GPU, generare un'eccezione o eseguire il fallback alla CPU.

recursionLimit
Int32

Facoltativo, specifica il limite di ricorsione Protobuf CodedInputStream. Il valore predefinito è 100.

Restituisce

Commenti

Se il valore gpuDeviceId è null il MLContext.GpuDeviceId valore verrà usato se non nullè .

Si applica a