ML.NET 1.3.1 发布,.NET 跨平台机器学习框架

by admin on 2020年2月15日

ML.NET 1.3.1 已发布。ML.NET 是一个跨平台的机器学习框架,旨在让 .NET
开发者更快上手机器学习,它允许 .NET 开发者开发他们自己的模型,并将自定义
ML 注入到应用程序中。

微软在2018年Build大会中,发表了由微软研究院开发的跨平台机器学习框架ML.NET,现在终于成熟发布了ML.NET
1.0,加入了自动机器学习AutoML、模型建置器(Model Builder
)以及ML.NET命令列工具,共三项功能预览。

欢迎大家前往腾讯云社区,获取更多腾讯海量技术实践干货哦~

新特性

  • 深度神经网络训练
    (PREVIEW)
     (#4057)

澳门新葡亰信誉平台游戏,推出 0.15.1 预览版 Microsoft.ML.DNN 软件包,该软件包使用 Tensorflow .NET
提供的用于张量流的 C# 绑定,在 .NET 中实现完整的 DNN
模型重新训练和传输学习。该软件包的目标是允许高级 DNN
训练和评分任务(scoring
tasks),如图像分类、文本分类、对象检测等,使用简单但功能强大的
API,这些 API 与框架无关,目前它们仅使用 Tensorflow 作为后端。以下 API
处于早期预览阶段,团队希望获得用户的反馈,并在下一次迭代中加入这些反馈。

澳门新葡亰信誉平台游戏 1

  • 数据库加载器 (PREVIEW) (#4035)

引入可以对数据库进行训练的数据库加载器。 此加载程序支持 .NET Framework
或 .NET Core 中 System.Data 支持的任何关系数据库,这意味着可以使用许多
RDBMS,如 SQL Server、Azure SQL 数据库、Oracle、PostgreSQL、MySQL
等。此功能处于早期预览状态,可通过 Microsoft.ML.Experimental nuget
访问。

Sample

public static DatabaseLoader CreateDatabaseLoader(this DataOperationsCatalog catalog,
          params DatabaseLoader.Column[] columns)

新版本还包括一些 bug
修复,详情可查看更新说明。

(文/开源中国)    

澳门新葡亰信誉平台游戏 2

翻译 | 刘畅Troy

ML.NET
1.0的自动机器学习功能,将能自动决定适用于输入资料的演算法,帮开发者快速建置自定义机器学习模型,微软提到,在建构自定义机器学习模型的时候,开发者必须要为使用案例选择机器学习的类型,决定是分类或回归的任务之后,再将资料转换成适用演算法的格式,通过微调演算法以取得最好的效能,而新手会在这过程遇到非常多的障碍,自动机器学习则能简化这个过程。

谷歌今天终于发布了TensorFlow Lite
的开发者预览!该项目是在5月份的I/O开发者大会上宣布的,据Google网站描述,对移动和嵌入式设备来说,TensorFlow是一种轻量级的解决方案,支持多平台运行,从机架式服务器到微小的物联网设备。近几年来,由于其作为机器学习模型的使用已成倍增长,所以移动设备和嵌入式设备也出现了部署需求。Tensorflow
Lite使机器学习模型设备能够实现低延迟的推理。

澳门新葡亰信誉平台游戏 3

在本文中,Google展示了TensorFlow Lite的框架构成以及一些功能特性。

自动机器学习支持价格预测等回归类任务,也支持情感分析、垃圾邮件侦测等分类任务,开发者可以使用模型建置器、ML.NET命令列工具或是AutoMLAPI执行自动机器学习,微软建议,可以在Visual
Studio中开始进行自动机器学习,此外,在需要动态建构模型的使用案例,AutoML也很有帮助。

TensorFlow Lite设计初衷

  • 轻量级:允许在具有很小的二进制大小和快速初始化/启动的机器学习模型设备上进行推理。
  • 跨平台:能够运行在许多不同的平台上,首先支持Android和iOS平台
  • 快速:针对移动设备进行了优化,包括显著提高模型加载时间和支持硬件加速

现在越来越多的移动设备集成了定制硬件来更有效地处理机器学习带来的工作负载。TensorFlow
Lite支持Android神经网络API(Android Neural Networks
API)利用这些新的加速器硬件。当加速器硬件不可用的时候,TensorFlow
Lite会执行优化CPU,这可以确保你的模型仍然可以很快的运行在一个大的设备上。

而模型建置器则是一个使用者介面工具,让开发人员可以使用AutoML为输入的资料建构最佳的机器学习模型,并产生模型训练与部署的源代码,让开发者可以快速的为应用程序,加入机器学习功能。另外,ML.NET
1.0还提供命令列工具,功能与模型建置器相似,只是模型建置器提供的是图形介面,而开发者则可以使用命令列工具,以指令走访资料集产生最佳模型,或是产生训练与应用模型的源代码。ML.NET命令列工具支持跨平台,为.NET命令列工具的扩充套件。

TensorFlow Lite架构设计

下面的关系图显示了TensorFlow Lite的构架设计:

澳门新葡亰信誉平台游戏 4

image

组件包括:

  • TensorFlow模型:一个保存在磁盘上训练好的TensorFlow模型。
  • TensorFlow Lite转换器:一个将模型转换为Tensorflow
    Lite文件格式的程序。
  • TensorFlow模型文件:基于FlatBuffers格式的模型文件,已针对最大速度和最小尺寸进行了优化。

Tensorflow Lite模型文件将被部署在一个移动应用程序,其中:

  • Java API:在Android上对C++API的一个封装。
  • C++ API:加载Tensorflow
    Lite模型文件和调用解释器。在Android和iOS上共用同一个库文件。
  • 解释器:采用一组运算符来执行模型。解释器支持选择性的运算负荷;没有运算符大小只有70kb,当所有的运算符加载时,大小是300kb。正常的移动端的Tensorflow(包含一个规范的运算符操作集)需要1.5M的大小,可以看到解释器显著减少了内存。

关于选择Android设备,解释器会采用Android Neural Networks
API来进行硬件加速,或者如果没有可用的,默认为CPU执行。

开发人员还可以使用C++ API实现可由解释器使用的定制的内核。

澳门新葡亰信誉平台游戏 5

模型

Tensorflow Lite已经有一些训练和优化好的支持移动端的模型:

  • MobileNet:
    一种能够识别1000类不同目标的视觉模型,它是为在移动设备和嵌入式设备上高效执行而独特设计的。
  • Inception v3:
    一个图像识别的模型,在功能上类似MobileNet,提供更高的精度同时也有较大的尺寸
  • Smart Reply:
    一种设备级的会话模型,针对即将到来的会话聊天消息,它提供一种触摸响应。在Android
    Wear上,第一方和第三方的消息应用程序均使用了此功能。

Inception
v3和MobileNet均是在ImageNet数据集上预训练好的。通过迁移学习,你可以轻松的在你自己的数据集上再训练这个模型。

接下来,微软还会为AutoML增加更多支持的使用情境,还要原生整合Apache
Spark,并支持更多的资料来源,像是QL Server、CosmosDB以及Azure
Blob储存等。

什么是TensorFlow Mobile?

正如你可能知道的,通过Tensorflow Mobile
API,Tensorflow已经支持了在移动端和嵌入式上部署模型。未来TensorFlow
Lite应该被视为Tensorflow
Mobile的演化,并随着它的成熟将成为模型部署在移动端和嵌入式设备上的推荐方案。目前TensorFlow
Lite是开发者预览版,同时Tensorflow Mobile仍然支持APP的开发。

Tensorflow
Lite的应用范围大,目前处于积极开发中。通过这个开发者预览版,我们有意地启动了一个带约束的平台来确保一些最重要的常用模型的性能。我们计划根据用户的需求对未来的功能扩展进行优先级排序。我们持续开发的目标是为了降低对开发人员经验的要求,并能为一系列移动和嵌入式设备部署模型。

我们非常兴奋开发者能够上手使用Tensorflow
Lite。对于其余的Tensorflow项目,我们计划使用同一强度来支持和解决外部社区问题。期待你能用TensorFlow
Lite做些非常酷的事情。

更多关于Tensorflow Lite的功能和信息,请点击TensorFlow Lite文档:
http://tensorflow.org/mobile/tflite

祝大家Tensorflow Lite编程快乐。

本文来自 AI 科技大本营微信公众号

相关阅读

腾讯云GAME-TECH沙龙——全球同服游戏语音解决方案
腾讯云GAME-TECH沙龙干活回顾——腾讯游戏云生态产品规划及最新进展
避免12.6亿营销资源掠夺,腾讯云智能安全备战双12

此文已由作者授权腾讯云技术社区发布,转载请注明原文出处

原文链接:
https://cloud.tencent.com/community/article/508590

海量技术实践经验,尽在腾讯云社区!

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图