ModelOperationsCatalog.Load Methode

Definition

Namespace:

Microsoft.ML

Assembly:

Microsoft.ML.Data.dll

Paket:

Microsoft.ML v3.0.1

Überlädt

Load(Stream, DataViewSchema)	Laden Sie das Modell und sein Eingabeschema aus einem Datenstrom.
Load(String, DataViewSchema)	Laden Sie das Modell und sein Eingabeschema aus einer Datei.

Load(Stream, DataViewSchema)

Laden Sie das Modell und sein Eingabeschema aus einem Datenstrom.

public Microsoft.ML.ITransformer Load (System.IO.Stream stream, out Microsoft.ML.DataViewSchema inputSchema);

member this.Load : System.IO.Stream * DataViewSchema -> Microsoft.ML.ITransformer

Public Function Load (stream As Stream, ByRef inputSchema As DataViewSchema) As ITransformer

Parameter

stream

Stream

Ein lesbarer, suchbarer Datenstrom, aus dem geladen werden soll.

inputSchema

DataViewSchema

Enthält das Eingabeschema für das Modell. Wenn das Modell ohne Beschreibung der Eingabe gespeichert wurde, gibt es kein Eingabeschema. In diesem Fall kann dies sein null.

Gibt zurück

ITransformer

Das geladene Modell.

Beispiele

using System;
using System.Collections.Generic;
using System.IO;
using Microsoft.ML;

namespace Samples.Dynamic.ModelOperations
{
    public class SaveLoadModel
    {
        public static void Example()
        {
            // Create a new ML context, for ML.NET operations. It can be used for
            // exception tracking and logging, as well as the source of randomness.
            var mlContext = new MLContext();

            // Generate sample data.
            var data = new List<Data>()
            {
                new Data() { Value="abc" }
            };

            // Convert data to IDataView.
            var dataView = mlContext.Data.LoadFromEnumerable(data);
            var inputColumnName = nameof(Data.Value);
            var outputColumnName = nameof(Transformation.Key);

            // Transform.
            ITransformer model = mlContext.Transforms.Conversion
                .MapValueToKey(outputColumnName, inputColumnName).Fit(dataView);

            // Save model.
            mlContext.Model.Save(model, dataView.Schema, "model.zip");

            // Load model.
            using (var file = File.OpenRead("model.zip"))
                model = mlContext.Model.Load(file, out DataViewSchema schema);

            // Create a prediction engine from the model for feeding new data.
            var engine = mlContext.Model
                .CreatePredictionEngine<Data, Transformation>(model);

            var transformation = engine.Predict(new Data() { Value = "abc" });

            // Print transformation to console.
            Console.WriteLine("Value: {0}\t Key:{1}", transformation.Value,
                transformation.Key);

            // Value: abc       Key:1

        }

        private class Data
        {
            public string Value { get; set; }
        }

        private class Transformation
        {
            public string Value { get; set; }
            public uint Key { get; set; }
        }
    }
}

Load(String, DataViewSchema)

Laden Sie das Modell und sein Eingabeschema aus einer Datei.

public Microsoft.ML.ITransformer Load (string filePath, out Microsoft.ML.DataViewSchema inputSchema);

member this.Load : string * DataViewSchema -> Microsoft.ML.ITransformer

Public Function Load (filePath As String, ByRef inputSchema As DataViewSchema) As ITransformer

Parameter

filePath

String

Pfad zu einer Datei, aus der das Modell gelesen werden soll.

inputSchema

DataViewSchema

Enthält das Eingabeschema für das Modell. Wenn das Modell ohne Beschreibung der Eingabe gespeichert wurde, gibt es kein Eingabeschema. In diesem Fall kann dies sein null.

Gibt zurück

ITransformer

Das geladene Modell.

Beispiele

using System;
using System.Collections.Generic;
using System.IO;
using Microsoft.ML;

namespace Samples.Dynamic.ModelOperations
{
    public class SaveLoadModelFile
    {
        public static void Example()
        {
            // Create a new ML context, for ML.NET operations. It can be used for
            // exception tracking and logging, as well as the source of randomness.
            var mlContext = new MLContext();

            // Generate sample data.
            var data = new List<Data>()
            {
                new Data() { Value="abc" }
            };

            // Convert data to IDataView.
            var dataView = mlContext.Data.LoadFromEnumerable(data);
            var inputColumnName = nameof(Data.Value);
            var outputColumnName = nameof(Transformation.Key);

            // Transform.
            ITransformer model = mlContext.Transforms.Conversion
                .MapValueToKey(outputColumnName, inputColumnName).Fit(dataView);

            // Save model.
            mlContext.Model.Save(model, dataView.Schema, "model.zip");

            // Load model.
            model = mlContext.Model.Load("model.zip", out DataViewSchema schema);

            // Create a prediction engine from the model for feeding new data.
            var engine = mlContext.Model
                .CreatePredictionEngine<Data, Transformation>(model);

            var transformation = engine.Predict(new Data() { Value = "abc" });

            // Print transformation to console.
            Console.WriteLine("Value: {0}\t Key:{1}", transformation.Value,
                transformation.Key);

            // Value: abc       Key:1

        }

        private class Data
        {
            public string Value { get; set; }
        }

        private class Transformation
        {
            public string Value { get; set; }
            public uint Key { get; set; }
        }
    }
}