Windows Machine Learning 範例

GitHub 上的 Windows-Machine-Learning 存放庫包含示範如何使用 Windows Machine Learning 的範例應用程式，以及可協助您在開發期間驗證模型和針對問題進行疑難排解的工具。

範例

GitHub 上提供下列範例應用程式。

名稱	描述
AdapterSelection (Win32 C++)	一個傳統型應用程式，示範如何選擇特定的裝置介面卡來執行您的模型。
BatchSupport	示範如何使用 Windows ML 系結和評估輸入批次。
自訂運算子範例 (Win32 C++)	定義多個自訂 CPU 運算子的傳統型應用程式。 其中一個是可以整合至您自己工作流程的偵錯運算子。
自訂 Tensorization (Win32 C++)	示範如何在 CPU 和 GPU 上使用 Windows ML API 來張量輸入映射。
自訂視覺 (UWP C#)	示範如何使用 自訂視覺在雲端中定型 ONNX 模型，並將它與 Windows ML 整合至應用程式。
Emoji8 (UWP C#)	示範如何使用 Windows ML 來提供有趣的表情偵測應用程式。
FNS 樣式傳輸 (UWP C#)	使用 FNS-Candy 樣式傳輸模型來重新建立影像或影片串流的樣式。
MNIST (UWP C#/C++)	對應至 教學課程：建立 Windows 機器學習 UWP 應用程式 （C#） 。 從頭開始進行教學課程，或執行已完成的專案。
NamedDimensionOverrides	示範如何將具名維度覆寫為具體值，以將模型效能優化。
PlaneIdentifier (UWP C#，WPF C#)	使用預先定型的機器學習模型 (使用 Azure 上的自訂視覺服務產生) 來偵測指定的影像是否包含特定物件：平面。
RustSqueezeNet	使用 SqueezeNet 的 WinRT Rust 投影。
SqueezeNet 物件偵測 （Win32 C++， UWP C#/JavaScript， 。NET5，。NETCORE）	使用 SqueezeNet (預先定型的機器學習模型) 來偵測使用者從檔案所選取影像中的主要物件。
SqueezeNet 物件偵測 (Windows 上的 Azure IoT Edge，C#)	這是一個範例模組，示範如何在 Windows 上執行的 Azure IoT Edge 模組中執行 Windows ML 推斷。 影像是由連接的相機所提供，針對 SqueezeNet 模型推斷，並傳送至 IoT 中樞。
StreamFromResource	示範如何取得內嵌資源，其中包含 ONNX 模型，並將其轉換為可傳遞至 LearningModel 建構函式的資料流程。
StyleTransfer （C#）	UWP 應用程式，會在使用者提供的輸入影像或 Web 相機串流上執行樣式傳輸。
winml_tracker (ROS C++)	ROS（機器人作業系統）節點，其使用 Windows ML 來追蹤相機畫面中的人員（或其他物件）。

注意

使用下列資源取得 Windows ML 的說明：

• 如需詢問或回答有關 Windows ML 的技術問題，請使用 Stack Overflow 上的 windows-machine-learning 標籤。
• 如需回報錯誤 (bug)，請在 GitHub 上提出問題。