หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

การเรียนรู้ของเครื่อง Windows

Windows Machine Learning เป็น API การเรียนรู้การเรียนรู้ของเครื่องที่มีประสิทธิภาพสูงซึ่งขับเคลื่อนโดย ONNX Runtime และ DirectML

Windows ML API เป็นส่วนประกอบของ Windows Runtime และเหมาะสำหรับแอพพลิเคชั่นที่มีประสิทธิภาพสูงและมีความถี่ต่ำเช่นเฟรมเวิร์กเกมและแอพพลิเคชั่นเรียลไทม์อื่น ๆ รวมถึงแอปพลิเคชันที่สร้างด้วยภาษาระดับสูง

repo นี้มีตัวอย่างและเครื่องมือการเรียนรู้ของ Windows Machine ที่สาธิตวิธีการสร้างสถานการณ์การเรียนรู้ของเครื่องจักรในแอพพลิเคชั่น Windows

  • เริ่มต้นด้วย Windows ML
  • ตัวอย่างรุ่น
  • ตัวอย่างสถานการณ์ขั้นสูง
  • เครื่องมือนักพัฒนา
  • ข้อเสนอแนะ
  • ลิงค์ภายนอก
  • การบริจาค

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ Windows ML รวมถึงแบบฝึกหัดทีละขั้นตอนและคำแนะนำวิธีการใช้งานโปรดไปที่เอกสาร Windows ML

ตัวอย่าง/เครื่องมือ สถานะ
ตัวอย่างทั้งหมด
Winmlrunner
แดชบอร์ด Winml

เริ่มต้นด้วย Windows ML

ข้อกำหนดเบื้องต้น

  • Visual Studio 2017 เวอร์ชัน 15.7.4 หรือใหม่กว่า

Windows ML เสนอการอนุมานการเรียนรู้ของเครื่องผ่านกล่องจดหมาย Windows SDK รวมถึงแพ็คเกจ NuGet ที่แจกจ่ายซ้ำ ตารางด้านล่างเน้นความพร้อมใช้งานการกระจายการสนับสนุนภาษาการให้บริการและด้านความเข้ากันได้ของการส่งต่อของแพ็คเกจในกล่องและ NUGET สำหรับ Windows ML

ในกล่อง นูเกต
ความพร้อม Windows 10 - สร้าง 17763 (RS5) หรือใหม่กว่า
สำหรับข้อมูลรายละเอียดเพิ่มเติมเกี่ยวกับการสนับสนุนเวอร์ชันให้ชำระเงินเอกสารของเรา		 Windows 8.1 หรือใหม่กว่า
หมายเหตุ : API บางตัว (เช่น: videoframe) ไม่สามารถใช้ได้ใน OSE ที่เก่ากว่า
Windows SDK Windows SDK - สร้าง 17763 (RS5) หรือใหม่กว่า Windows SDK - สร้าง 17763 (RS5) หรือใหม่กว่า
การกระจาย สร้างขึ้นใน Windows แพ็คเกจและแจกจ่ายเป็นส่วนหนึ่งของแอปพลิเคชันของคุณ
การให้บริการ Microsoft-Driven (ลูกค้าได้รับประโยชน์โดยอัตโนมัติ) นักพัฒนาขับเคลื่อน
ซึ่งไปข้างหน้า ความเข้ากันได้โดยอัตโนมัติจะหมุนไปข้างหน้าด้วยคุณสมบัติใหม่ นักพัฒนาจำเป็นต้องอัปเดตแพ็คเกจด้วยตนเอง

เรียนรู้เพิ่มเติมที่นี่

ตัวอย่างรุ่น

ในส่วนนี้คุณจะพบตัวอย่างรุ่นต่าง ๆ สำหรับสถานการณ์ที่หลากหลายในข้อเสนอ Windows ML API ที่แตกต่างกัน

การจำแนกรูปภาพ

โดเมนย่อยของการมองเห็นคอมพิวเตอร์ที่อัลกอริทึมดูที่ภาพและกำหนดแท็กจากคอลเลกชันของแท็กหรือหมวดหมู่ที่กำหนดไว้ล่วงหน้าที่ได้รับการฝึกฝน

ประเภทแอพ Windows
การกระจาย		 UWP
ในกล่อง		 UWP
นูเกต		 เดสก์ท็อป
ในกล่อง		 เดสก์ท็อป
นูเกต
Alexnet ✔c# .net5 - ตัวอย่างแกลเลอรี่
Caffenet ✔c# .net5 - ตัวอย่างแกลเลอรี่
เดนเซเนต ✔c# .net5 - ตัวอย่างแกลเลอรี่
มีประสิทธิภาพ ✔c# .net5 - ตัวอย่างแกลเลอรี่
Googlenet ✔c# .net5 - ตัวอย่างแกลเลอรี่
Inceptionv1 ✔c# .net5 - ตัวอย่างแกลเลอรี่
inceptionv2 ✔c# .net5 - ตัวอย่างแกลเลอรี่
MNIST ✔C ++/CX
✔c#
mobilenetv2 ✔c# .net5 - ตัวอย่างแกลเลอรี่
RCNN ✔c# .net5 - ตัวอย่างแกลเลอรี่
resnet50 ✔c# .net5 - ตัวอย่างแกลเลอรี่
Shufflenetv1 ✔c# .net5 - ตัวอย่างแกลเลอรี่
Shufflenetv2 ✔c# .net5 - ตัวอย่างแกลเลอรี่
บอบบาง ✔c#
✔JavaScript
 ✔c ++/winrt
✔c# .net5
✔C# .NET CORE 2
 ✔c ++/winrt
✔c# .net5 - ตัวอย่างแกลเลอรี่
✔
VGG19 ✔c# .net5 - ตัวอย่างแกลเลอรี่
vgg19bn ✔c# .net5 - ตัวอย่างแกลเลอรี่
zfnet512 ✔c# .net5 - ตัวอย่างแกลเลอรี่

การถ่ายโอนสไตล์

เทคนิคการมองเห็นคอมพิวเตอร์ที่ช่วยให้เราสามารถนำเสนอเนื้อหาของภาพในรูปแบบของอีกรูปแบบหนึ่ง

ประเภทแอพ Windows
การกระจาย		 UWP
ในกล่อง		 UWP
นูเกต		 เดสก์ท็อป
ในกล่อง		 เดสก์ท็อป
นูเกต
fnscandy ✔c# - การถ่ายโอนสไตล์ FNS
✔c# - การโอนสไตล์เรียลไทม์

ตัวอย่างสถานการณ์ขั้นสูง

ตัวอย่างขั้นสูงเหล่านี้แสดงวิธีการใช้คุณสมบัติการเชื่อมโยงและการประเมินผลต่างๆใน Windows ML:

  • Tensorization ที่กำหนดเอง : แอปพลิเคชันคอนโซล Windows (C ++/WinRT) ที่แสดงวิธีการทำเทนเซอร์ที่กำหนดเอง

  • Custom Operator (CPU) : แอพเดสก์ท็อปที่กำหนดตัวดำเนินการ CPU แบบกำหนดเองหลายตัว หนึ่งในนั้นคือผู้ดำเนินการดีบักที่เราขอเชิญชวนให้คุณรวมเข้ากับเวิร์กโฟลว์ของคุณเอง

  • การเลือกอะแดปเตอร์ : แอพเดสก์ท็อปที่สาธิตวิธีการเลือกอะแดปเตอร์อุปกรณ์เฉพาะสำหรับการใช้งานโมเดลของคุณ

  • ตัวระบุเครื่องบิน : แอพ UWP และแอพ WPF ที่บรรจุด้วยสะพานเดสก์ท็อปแบ่งปันรุ่นเดียวกันกับที่ได้รับการฝึกฝนโดยใช้บริการ Azure Custom Vision สำหรับคำแนะนำทีละขั้นตอนสำหรับตัวอย่างนี้โปรดดูโพสต์บล็อกอัพเกรดแอปพลิเคชัน WinML ของคุณเป็นบิตล่าสุด

  • Custom Vision และ Windows ML : บทช่วยสอนแสดงวิธีการฝึกอบรมโมเดลเครือข่ายประสาทเพื่อจำแนกรูปภาพของอาหารโดยใช้บริการวิสัยทัศน์ Azure Custom Vision ส่งออกโมเดลไปยังรูปแบบ ONNX และปรับใช้โมเดลในแอปพลิเคชันการเรียนรู้ของเครื่อง Windows ที่ทำงานอยู่ในอุปกรณ์ Windows

  • ML.NET และ Windows ML : บทช่วยสอนนี้แสดงวิธีการฝึกอบรมโมเดลเครือข่ายประสาทเพื่อจำแนกภาพอาหารโดยใช้ตัวสร้างโมเดล ML.NET ส่งออกโมเดลไปยังรูปแบบ ONNX และปรับใช้โมเดลในแอปพลิเคชันการเรียนรู้ของเครื่อง Windows อุปกรณ์ Windows

  • การวิเคราะห์ข้อมูล Pytorch : บทช่วยสอนแสดงวิธีแก้ปัญหาการจำแนกประเภทด้วยเครือข่ายประสาทโดยใช้ไลบรารี Pytorch ส่งออกโมเดลไปยังรูปแบบ ONNX และปรับใช้โมเดลด้วยแอปพลิเคชัน Windows Machine Learning ที่สามารถทำงานบนอุปกรณ์ Windows ใด ๆ

  • การจำแนกภาพ Pytorch : บทช่วยสอนแสดงวิธีการฝึกอบรมรูปแบบเครือข่ายประสาทการจำแนกภาพโดยใช้ pytorch ส่งออกโมเดลไปยังรูปแบบ ONNX และปรับใช้ในแอปพลิเคชันการเรียนรู้ของเครื่อง Windows ที่ทำงานอยู่ในอุปกรณ์ Windows ของคุณ

  • การตรวจจับวัตถุ YOLOV4 : บทช่วยสอนนี้แสดงวิธีการสร้างแอป UWP C# ที่ใช้โมเดล YOLOV4 เพื่อตรวจจับวัตถุในสตรีมวิดีโอ

เครื่องมือนักพัฒนา

  • การแปลงแบบจำลอง

    Windows ML ให้ความสามารถในการอนุมานที่ขับเคลื่อนด้วยเครื่องยนต์รันไทม์ ONNX ดังนั้นทุกรุ่นที่ทำงานใน Windows ML จะต้องถูกแปลงเป็นรูปแบบโมเดล ONNX แบบจำลองที่สร้างและฝึกอบรมในกรอบต้นฉบับเช่น TensorFlow หรือ Pytorch จะต้องแปลงเป็น ONNX ตรวจสอบเอกสารสำหรับวิธีการแปลงเป็นรุ่น ONNX:

    • https://onnxruntime.ai/docs/tutorials/mobile/model-conversion.html
    • https://docs.microsoft.com/en-us/windows/ai/windows-ml/tutorials/pytorch-convert-model
    • Winmltools: เครื่องมือ Python สำหรับการแปลงโมเดลจากชุดเครื่องมือการเรียนรู้ของเครื่องที่แตกต่างกันเป็น ONNX เพื่อใช้กับ Windows ML

  • การเพิ่มประสิทธิภาพแบบจำลอง

    แบบจำลองอาจต้องใช้การปรับแต่งการปรับแต่งโพสต์เพิ่มเติมเพื่อรองรับคุณสมบัติขั้นสูงเช่นการแบทช์และการหาปริมาณ ตรวจสอบเครื่องมือต่อไปนี้เพื่อเพิ่มประสิทธิภาพโมเดลของคุณ:

    • WinML Dashboard (ตัวอย่าง) : เครื่องมือที่ใช้ GUI สำหรับการดูการแก้ไขการแปลงและการตรวจสอบความถูกต้องของรุ่นการเรียนรู้ของเครื่องสำหรับเอ็นจิ้นการอนุมาน Windows ML เครื่องมือนี้สามารถใช้เพื่อเปิดใช้งานมิติฟรีในรุ่นที่สร้างขึ้นด้วยมิติคงที่ ดาวน์โหลดเวอร์ชันดูตัวอย่าง

    • การเพิ่มประสิทธิภาพกราฟ: การเพิ่มประสิทธิภาพกราฟเป็นการแปลงระดับกราฟเป็นหลักตั้งแต่การทำให้ง่ายขึ้นของกราฟขนาดเล็กและการกำจัดโหนดไปจนถึงการหลอมรวมของโหนดที่ซับซ้อนมากขึ้นและการเพิ่มประสิทธิภาพเค้าโครง

    • การหาปริมาณกราฟ : ปริมาณในรันไทม์ ONNX หมายถึงปริมาณเชิงเส้น 8 บิตของแบบจำลอง ONNX

  • การตรวจสอบแบบจำลอง

    • Winmlrunner : เครื่องมือบรรทัดคำสั่งที่สามารถเรียกใช้โมเดล. onnx หรือ. pb ที่ตัวแปรอินพุตและเอาต์พุตเป็นเทนเซอร์หรือรูปภาพ มันเป็นเครื่องมือที่มีประโยชน์มากในการตรวจสอบรุ่น ONNX อย่างรวดเร็ว มันจะพยายามโหลดผูกและประเมินโมเดลและพิมพ์ข้อความที่เป็นประโยชน์ นอกจากนี้ยังจับการวัดประสิทธิภาพ

      ดาวน์โหลด x64 exe

  • การรวมโมเดล

    • WinML Code Generator (MLGEN) : ส่วนขยาย Visual Studio เพื่อช่วยให้คุณเริ่มต้นใช้ WinML APIs บนแอพ UWP โดยการสร้างรหัสเทมเพลตเมื่อคุณเพิ่มไฟล์ ONNX ที่ผ่านการฝึกอบรมลงในโครงการ UWP จากรหัสเทมเพลตคุณสามารถโหลดโมเดลสร้างเซสชันผูกอินพุตและประเมินด้วยรหัส wrapper ดูเอกสารสำหรับข้อมูลเพิ่มเติม

      ดาวน์โหลดสำหรับ VS 2017, VS 2019

    • แกลเลอรี่ตัวอย่าง WinML: สำรวจสถานการณ์การรวม ML ที่หลากหลายและรุ่น

    • ตรวจสอบตัวอย่างรุ่นและตัวอย่างสถานการณ์ขั้นสูงเพื่อเรียนรู้วิธีใช้ Windows ML ในแอปพลิเคชันของคุณ

ข้อเสนอแนะ

  • สำหรับปัญหาให้ยื่นข้อผิดพลาดในปัญหา GitHub
  • ถามคำถามเกี่ยวกับสแต็คล้น
  • โหวตสำหรับคำขอคุณสมบัติที่เป็นที่นิยมในข้อเสนอแนะของนักพัฒนา Windows หรือรวมถึงคำขอของคุณเอง

ลิงค์ภายนอก

  • ONNX Runtime: ข้ามแพลตฟอร์ม, ประสิทธิภาพสูง ML การอนุมานและตัวเร่งความเร็วการฝึกอบรม
  • ONNX: Open Neural Network Exchange Project

การบริจาค

เรามักจะมองหาความช่วยเหลือของคุณในการแก้ไขข้อบกพร่องและปรับปรุงตัวอย่าง สร้างคำขอดึงและเรายินดีที่จะดู

โครงการนี้ได้นำรหัสการดำเนินงานของ Microsoft โอเพ่นซอร์สมาใช้ สำหรับข้อมูลเพิ่มเติมโปรดดูจรรยาบรรณคำถามที่พบบ่อยหรือติดต่อ [email protected] พร้อมคำถามหรือความคิดเห็นเพิ่มเติมใด ๆ

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด