你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

在 .NET 中使用 AutoML ONNX 模型进行预测

项目
09/03/2024

在本文中，你将学习如何使用自动化 ML (AutoML) Open Neural Network Exchange (ONNX) 模型在 C# 控制台应用程序中通过 ML.NET 进行预测。

ML.NET 是一种面向 .NET 生态系统的跨平台的开源机器学习框架，借助它可通过 C# 或 F# 的代码优先方法，或通过 Model Builder 和 ML.NET CLI 等低代码工具来训练和使用自定义机器学习模型。此框架可扩展，使你能够利用其他常见的机器学习框架，如 TensorFlow 和 ONNX。

ONNX 是 AI 模型的开源格式。 ONNX 支持框架之间的互操作性。这意味着你可在众多常见的机器学习框架（如 PyTorch）中训练模型，将其转换为 ONNX 格式，并在 ML.NET 等不同框架中使用 ONNX 模型。有关详细信息，请参阅 ONNX 网站。

先决条件

.NET 6 SDK 或更高版本
文本编辑器或 IDE（如 Visual Studio 或 Visual Studio Code）
ONNX 模型。若要了解如何训练 AutoML ONNX 模型，请参阅以下银行营销分类笔记本。
Netron（可选）

创建 C# 控制台应用程序

在此示例中，你将使用 .NET CLI 生成应用程序，但可使用 Visual Studio 执行相同的任务。详细了解 .NET CLI。

打开终端并创建新的 C# .NET 控制台应用程序。在本例中，应用程序的名称是 AutoMLONNXConsoleApp。目录将使用与应用程序的内容相同的名称创建。
```
dotnet new console -o AutoMLONNXConsoleApp
```
在终端中，导航到 AutoMLONNXConsoleApp 目录。
```
cd AutoMLONNXConsoleApp
```

添加软件包

使用 .NET CLI 安装 Microsoft.ML、Microsoft.ML.OnnxRuntime 和 Microsoft.ML.OnnxTransformer NuGet 包。
```
dotnet add package Microsoft.ML
dotnet add package Microsoft.ML.OnnxRuntime
dotnet add package Microsoft.ML.OnnxTransformer
```
这些包中有在 .NET 应用程序中使用 ONNX 模型所需的依赖项。 ML.NET 提供一个使用 ONNX 运行时进行预测的 API。

打开 Program.cs 文件并在顶部添加以下 using 指令：

using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms.Onnx;

添加对 ONNX 模型的引用

控制台应用程序访问 ONNX 模型的一种方法是将其添加到生成输出目录。如果还没有模型，请按照此笔记本创建示例模型。

在应用程序添加对 ONNX 模型文件的引用：

将 ONNX 模型复制到应用程序的 AutoMLONNXConsoleApp 根目录。
打开 AutoMLONNXConsoleApp.csproj 文件，并在 Project 节点中添加以下内容。
```
<ItemGroup>
    <None Include="automl-model.onnx">
        <CopyToOutputDirectory>PreserveNewest</CopyToOutputDirectory>
    </None>
</ItemGroup>
```
在本例中，ONNX 模型文件的名称为 automl-model.onnx。

（若要详细了解 MSBuild 常见项，请参阅 MSBuild 指南。）
打开 Program.cs 文件，并在 Program 类中添加以下行。
```
static string ONNX_MODEL_PATH = "automl-model.onnx";
```

初始化 MLContext

在 Program 类的 Main 方法中，创建 MLContext 的新实例。

MLContext mlContext = new MLContext();

MLContext 类是所有 ML.NET 操作的起点，而初始化 mlContext 会创建一个新的 ML.NET 环境，该环境可在模型生命周期内共享。从概念上讲，它与实体框架中的 DbContext 类似。

定义模型数据架构

模型需要特定格式的输入和输出数据。使用 ML.NET，可通过类定义数据的格式。有时，你可能已经知道该格式是怎样的。如果不知道数据格式，可使用 Netron 之类的工具来检查 ONNX 模型。

本示例中所用的模型使用来自“纽约 TLC 出租车行程”数据集的数据。下表显示了数据示例：

vendor_id	rate_code	passenger_count	trip_time_in_secs	trip_distance	payment_type	fare_amount
VTS	1	1	1140	3.75	CRD	15.5
VTS	1	1	480	2.72	CRD	10.0
VTS	1	1	1680	7.8	CSH	26.5

检查 ONNX 模型（可选）

使用 Netron 之类的工具来检查模型的输入和输出。

打开 Netron。
在顶部菜单栏中选择“文件”>“打开”，然后使用文件浏览器选择模型。
这将打开你的模型。例如，automl-model.onnx 模型的结构如下所示：
选择图形底部的最后一个节点（在本例中为 variable_out1），显示模型的元数据。侧栏中的输入和输出显示模型的预期输入、输出和数据类型。使用此信息可定义模型的输入和输出架构。

定义模型输入架构

在 Program.cs 文件中使用以下属性创建一个名为 OnnxInput 的新类。

public class OnnxInput
{
    [ColumnName("vendor_id")]
    public string VendorId { get; set; }

    [ColumnName("rate_code"),OnnxMapType(typeof(Int64),typeof(Single))]
    public Int64 RateCode { get; set; }

    [ColumnName("passenger_count"), OnnxMapType(typeof(Int64), typeof(Single))]
    public Int64 PassengerCount { get; set; }

    [ColumnName("trip_time_in_secs"), OnnxMapType(typeof(Int64), typeof(Single))]
    public Int64 TripTimeInSecs { get; set; }

    [ColumnName("trip_distance")]
    public float TripDistance { get; set; }

    [ColumnName("payment_type")]
    public string PaymentType { get; set; }
}

每个属性都将映射到数据集中的一个列。属性将用特性进一步批注。

利用 ColumnName 特性，可指定在操作数据时 ML.NET 应如何引用该列。例如，尽管 TripDistance 属性遵循标准的 .NET 命名约定，但该模型只知道名为 trip_distance 的列或功能。为了解决这种命名差异，ColumnName 特性会按名称 trip_distance 将 TripDistance 属性映射到列或功能。

对于数值，ML.NET 仅对 Single 值类型进行操作。但是，某些列的原始数据类型为整数。 OnnxMapType 特性在 ONNX 和 ML.NET 之间映射类型。

若要详细了解数据特性，请参阅 ML.NET 加载数据指南。

定义模型输出架构

数据被处理后，它将生成特定格式的输出。定义数据输出架构。在 Program.cs 文件中使用以下属性创建一个名为 OnnxOutput 的新类。

public class OnnxOutput
{
    [ColumnName("variable_out1")]
    public float[] PredictedFare { get; set; }
}

与 OnnxInput 类似，使用 ColumnName 特性可将 variable_out1 输出映射到更具描述性的名称 PredictedFare。

定义预测管道

ML.NET 中的管道通常是一系列链式转换，它们对输入数据进行操作以生成输出。若要详细了解数据转换，请参阅 ML.NET 数据转换指南。

在 Program 类中创建名为 GetPredictionPipeline 的新方法

static ITransformer GetPredictionPipeline(MLContext mlContext)
{

}

定义输入列和输出列的名称。将以下代码添加到 GetPredictionPipeline 方法中。

var inputColumns = new string []
{
    "vendor_id", "rate_code", "passenger_count", "trip_time_in_secs", "trip_distance", "payment_type"
};

var outputColumns = new string [] { "variable_out1" };

定义管道。 IEstimator 提供管道的操作、输入和输出架构的蓝图。
```
var onnxPredictionPipeline =
    mlContext
        .Transforms
        .ApplyOnnxModel(
            outputColumnNames: outputColumns,
            inputColumnNames: inputColumns,
            ONNX_MODEL_PATH);
```
在本例中，ApplyOnnxModel 是管道中的唯一转换，它采用输入列和输出列的名称以及 ONNX 模型文件的路径。
IEstimator 仅定义要应用于数据的操作集。对数据进行的操作称为 ITransformer。使用 Fit 方法从 onnxPredictionPipeline 创建一个。
```
var emptyDv = mlContext.Data.LoadFromEnumerable(new OnnxInput[] {});

return onnxPredictionPipeline.Fit(emptyDv);
```
Fit 方法需要 IDataView 作为输入以对其执行操作。 IDataView 是一种使用表格格式在 ML.NET 中表示数据的方法。在本例中，管道仅用于预测，因此你可提供一个空的 IDataView 来为 ITransformer 提供必要的输入和输出架构信息。然后，系统会返回合适的 ITransformer，以供今后在应用程序中使用。

提示

在此示例中，管道在同一应用程序中定义和使用。但建议分别使用单独的应用程序来定义和使用管道进行预测。在 ML.NET 中，可将管道序列化并进行保存，以供今后在其他 .NET 最终用户应用程序中使用。 ML.NET 支持各种部署目标，例如桌面应用程序、Web 服务、WebAssembly 应用程序等。若要详细了解如何保存管道，请参阅“ML.NET 保存和加载经过训练的模型”指南。
在 Main 方法中，用所需的参数调用 GetPredictionPipeline 方法。
```
var onnxPredictionPipeline = GetPredictionPipeline(mlContext);
```

使用模型进行预测

现在你已有一个管道，可用它来进行预测。 ML.NET 提供了一个方便的 API，用于在名为 PredictionEngine 的单个数据实例上进行预测。

在 Main 方法中，使用 CreatePredictionEngine 方法创建 PredictionEngine。

var onnxPredictionEngine = mlContext.Model.CreatePredictionEngine<OnnxInput, OnnxOutput>(onnxPredictionPipeline);

创建测试数据输入。

var testInput = new OnnxInput
{
    VendorId = "CMT",
    RateCode = 1,
    PassengerCount = 1,
    TripTimeInSecs = 1271,
    TripDistance = 3.8f,
    PaymentType = "CRD"
};

通过 Predict 方法基于新的 testInput 数据，使用 predictionEngine 进行预测。
```
var prediction = onnxPredictionEngine.Predict(testInput);
```

将预测结果输出到控制台。

Console.WriteLine($"Predicted Fare: {prediction.PredictedFare.First()}");

使用 .NET CLI 运行你的应用程序。
```
dotnet run
```
结果应类似于以下输出：
```
Predicted Fare: 15.621523
```

若要详细了解如何在 ML.NET 中进行预测，请参阅“使用模型进行预测”。

通过