DnnImageFeaturizerEstimator Clase

Definición

Espacio de nombres:

Microsoft.ML.Transforms.Onnx

Ensamblado:

Microsoft.ML.OnnxTransformer.dll

Paquete:

Microsoft.ML.OnnxTransformer v3.0.1

Aplica un modelo de red neuronal profunda (DNN) previamente entrenado para caracterizar los datos de imagen de entrada.

public sealed class DnnImageFeaturizerEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Data.TransformerChain<Microsoft.ML.Transforms.ColumnCopyingTransformer>>

type DnnImageFeaturizerEstimator = class
    interface IEstimator<TransformerChain<ColumnCopyingTransformer>>

Public NotInheritable Class DnnImageFeaturizerEstimator
Implements IEstimator(Of TransformerChain(Of ColumnCopyingTransformer))

Herencia

Object

DnnImageFeaturizerEstimator

Implementaciones

IEstimator<TransformerChain<ColumnCopyingTransformer>>

Comentarios

Características del estimador

¿Este estimador necesita examinar los datos para entrenar sus parámetros?	No
Tipo de datos de columna de entrada	Vector de Single
Tipo de datos de columna de salida	Vector de Single, el tamaño del vector depende del DNN entrenado previamente.
Exportable a ONNX	No

Requisitos de NuGet:

• Microsoft.ML.OnnxTransformer
• Microsoft.ML.OnnxRuntime.Gpu (solo si se usa el procesamiento de GPU)
• Cada modelo de DNN entrenado previamente tiene un NuGet independiente que debe incluirse si se usa ese modelo:
  • Microsoft.ML.DnnImageFeaturizer.AlexNet
  • Microsoft.ML.DnnImageFeaturizer.ResNet18
  • Microsoft.ML.DnnImageFeaturizer.ResNet50
  • Microsoft.ML.DnnImageFeaturizer.ResNet101

El transformador resultante crea una nueva columna, denominada como se especifica en los parámetros de nombre de columna de salida, donde se aplica una red neuronal profunda previamente entrenada a los datos de la imagen de entrada.

Este estimador es un contenedor alrededor de con OnnxScoringEstimator los modelos de DNN previamente entrenados actuales y varios ColumnCopyingEstimator. ColumnCopyingEstimator Se necesitan para permitir nombres arbitrarios de entrada y salida de columna, ya que, de lo contrarioOnnxScoringEstimator, requeriría que los nombres de columna coincidan con los nombres de los nodos del modelo ONNX.

Cualquier requisito de plataforma para este estimador seguirá los requisitos de OnnxScoringEstimator.

Consulte la sección Consulte también los vínculos a ejemplos de uso.

Métodos

Fit(IDataView)	Tenga en cuenta que OnnxEstimator que se basa en es un estimador trivial, por lo que esto no realiza ningún entrenamiento real, solo comprueba el esquema.
GetOutputSchema(SchemaShape)	Aplica un modelo de red neuronal profunda (DNN) previamente entrenado para caracterizar los datos de imagen de entrada.

Métodos de extensión

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Anexe un "punto de control de almacenamiento en caché" a la cadena del estimador. Esto garantizará que los estimadores de bajada se entrenarán con datos almacenados en caché. Resulta útil tener un punto de control de almacenamiento en caché antes de que los instructores tomen varios pases de datos.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Dado un estimador, devuelva un objeto de ajuste que llamará a un delegado una vez Fit(IDataView) . A menudo, es importante que un estimador devuelva información sobre lo que cabe, por lo que el Fit(IDataView) método devuelve un objeto con tipo específico, en lugar de simplemente un general ITransformer. Sin embargo, al mismo tiempo, IEstimator<TTransformer> a menudo se forman en canalizaciones con muchos objetos, por lo que es posible que tengamos que crear una cadena de estimadores a través EstimatorChain<TLastTransformer> de donde el estimador para el que queremos obtener el transformador se enterró en algún lugar de esta cadena. En ese escenario, podemos a través de este método adjuntar un delegado al que se llamará una vez que se llame a fit.

Consulte también

• DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)