ImageResizingEstimator Klasse
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
public sealed class ImageResizingEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.Image.ImageResizingTransformer>type ImageResizingEstimator = class
inherit TrivialEstimator<ImageResizingTransformer>Public NotInheritable Class ImageResizingEstimator
Inherits TrivialEstimator(Of ImageResizingTransformer)- Vererbung
Hinweise
Stimatoreigenschaften
| Muss dieser Schätzer die Daten untersuchen, um seine Parameter zu trainieren? | No |
| Eingabespaltendatentyp | MLImage |
| Ausgabespaltendatentyp | MLImage |
| Erforderliches NuGet zusätzlich zu Microsoft.ML | Microsoft.ML.ImageAnalytics |
| Exportierbar in ONNX | No |
Das Resultierende ImageResizingTransformer erstellt eine neue Spalte, die in den Parametern für die Ausgabespaltennamen angegeben ist, und ändert die Größe der Daten aus der Eingabespalte in diese neue Spalte.
In Bildverarbeitungspipelinen nutzen machine Learning-Praktiker häufig vortrainierte DNN-Featurizer , um Features für die Verwendung in den Maschinellen Lernalgorithmen zu extrahieren. Diese vortrainierten Modelle verfügen über eine definierte Breite und Höhe für ihre Eingabebilder, so oft, nachdem sie geladen wurden, müssen die Bilder vor der weiteren Verarbeitung geändert werden. Informationen zu End-to-End-Bildverarbeitungspipelinen und Szenarien in Ihren Anwendungen finden Sie in den Beispielen im Github-Repository für machinelearning-Samples.
Überprüfen Sie den Abschnitt "Siehe auch", um Links zu Verwendungsbeispielen zu finden.
Methoden
| Fit(IDataView) |
IEstimator<TTransformer> für die ImageResizingTransformer. (Geerbt von TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Gibt das SchemaShape Schema zurück, das vom Transformator erzeugt wird. Wird für die Schemaverteilung und Überprüfung in einer Pipeline verwendet. |
Erweiterungsmethoden
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgelagerten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Cache-Prüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Wenn sie eine Schätzung erhalten, geben Sie ein Umbruchobjekt zurück, das einen Delegaten aufruft, sobald Fit(IDataView) er aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen darüber zurückgibt, was passt, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt zurückgibt, anstatt nur ein allgemeines ITransformerObjekt zurückzugeben. IEstimator<TTransformer> Gleichzeitig werden jedoch häufig Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern erstellen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten möchten, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode eine Stellvertretung anfügen, die aufgerufen wird, sobald sie aufgerufen wird. |