ML.NET 版本API 類型狀態(tài)應(yīng)用程序類型數(shù)據(jù)類型場景機(jī)器學(xué)習(xí)任務(wù)算法

Microsoft.ML 1.5.0	動態(tài)API	最新	控制臺應(yīng)用程序和Web應(yīng)用程序	圖片文件	圖像分類	基于遷移學(xué)習(xí)的TensorFlow模型再訓(xùn)練進(jìn)行圖像分類	DNN架構(gòu)：ResNet、InceptionV3、MobileNet等

問題

圖像分類是深度學(xué)習(xí)學(xué)科中的一個常見問題。此示例演示如何通過基于遷移學(xué)習(xí)方法訓(xùn)練模型來創(chuàng)建您自己的自定義圖像分類器，該方法基本上是重新訓(xùn)練預(yù)先訓(xùn)練的模型（如InceptionV3或ResNet架構(gòu)），這樣您就可以在自己的圖像上訓(xùn)練自定義模型。

在這個示例應(yīng)用程序中，您可以創(chuàng)建自己的自定義圖像分類器模型，方法是使用自己的圖像從ML.NET API本機(jī)訓(xùn)練TensorFlow模型。

圖像分類器場景–使用ML.NET訓(xùn)練您自己的定制深度學(xué)習(xí)模型

數(shù)據(jù)集（圖像集）

圖像集許可證

此示例的數(shù)據(jù)集基于Tensorflow提供的“flower_photosimageset”，下載地址。此存檔中的所有圖像均獲得Creative Commons By Attribution許可證的許可，網(wǎng)址為：https://creativecommons.org/licenses/by/2.0/

完整的許可證信息在license.txt文件中提供，該文件包含在作為.zip文件下載的同一圖像集中。

默認(rèn)情況下，示例下載的imageset有200個圖像，平均分布在5個flower類中：

Images --> flower_photos_small_set -->|daisy|dandelion|roses|sunflowers|tulips

每個子文件夾的名稱很重要，因為它將是模型用于分類圖像的每個類/標(biāo)簽的名稱。

機(jī)器學(xué)習(xí)任務(wù)-圖像分類

為了解決這個問題，我們首先要建立一個ML模型。然后我們將在現(xiàn)有數(shù)據(jù)上訓(xùn)練模型，評估它有多好，最后我們將使用模型對新圖像進(jìn)行分類。

1. 將項目配置為使用GPU或CPU

默認(rèn)情況下，此解決方案使用CPU進(jìn)行訓(xùn)練和評分。但是，如果您的機(jī)器有一個兼容的GPU可用（基本上大多數(shù)NVIDIA GPU顯卡），您可以配置該項目使用GPU。

:警告：請確保使用下面列出的NuGet包的正確版本。其他版本可能與Nvidia CUDA v10.0不兼容

使用CPU進(jìn)行訓(xùn)練或推斷/評分

當(dāng)使用CPU時，您的項目必須引用以下redist庫：

• SciSharp.TensorFlow.Redist (1.15.0)?(CPU training)

使用CPU的訓(xùn)練項目中的示例參考屏幕截圖：

使用GPU進(jìn)行訓(xùn)練或推斷/評分

使用GPU時，項目必須引用以下redist庫（并刪除CPU版本引用）：

• SciSharp.TensorFlow.Redist-Windows-GPU (1.14.0)?(GPU training on Windows)

• SciSharp.TensorFlow.Redist-Linux-GPU (1.14.0)?(GPU training on Linux)

使用GPU的訓(xùn)練項目中的示例參考屏幕截圖：

2. 構(gòu)建模型

構(gòu)建模型包括以下步驟：

• 將圖像文件（本例中為文件路徑）加載到IDataView中

• 使用ImageClassification評估器進(jìn)行圖像分類（高級API）

定義數(shù)據(jù)架構(gòu)，并在從files文件夾加載圖像時引用該類型。

public?class?ImageData {public?ImageData(string?imagePath,?string?label){ImagePath?=?imagePath;Label?=?label;}public?readonly?string?ImagePath;public?readonly?string?Label; }

由于API使用內(nèi)存圖像，因此稍后您可以使用內(nèi)存圖像對模型進(jìn)行評分，因此需要定義一個包含“byte[]image”類型中圖像位的類，如下所示：

public?class?InMemoryImageData {public?InMemoryImageData(byte[]?image,?string?label,?string?imageFileName){Image?=?image;Label?=?label;ImageFileName?=?imageFileName;}public?readonly?byte[]?Image;public?readonly?string?Label;public?readonly?string?ImageFileName; }

使用LoadImagesFromDirectory（）和LoadFromEnumerable（）下載imageset并加載其信息。

//?1.?Download?the?image?set?and?unzip string?finalImagesFolderName?=?DownloadImageSet(imagesDownloadFolderPath); string?fullImagesetFolderPath?=?Path.Combine(imagesDownloadFolderPath,?finalImagesFolderName);var?mlContext?=?new?MLContext(seed:?1);//?2.?Load?the?initial?full?image-set?into?an?IDataView?and?shuffle?so?it'll?be?better?balanced IEnumerable<ImageData>?images?=?LoadImagesFromDirectory(folder:?fullImagesetFolderPath,?useFolderNameAsLabel:?true); IDataView?fullImagesDataset?=?mlContext.Data.LoadFromEnumerable(images); IDataView?shuffledFullImageFilePathsDataset?=?mlContext.Data.ShuffleRows(fullImagesDataset);

將數(shù)據(jù)加載到IDataView后，將對這些行進(jìn)行混洗，以便在拆分為訓(xùn)練/測試數(shù)據(jù)集之前更好地平衡數(shù)據(jù)集。。

下一步非常重要。因為我們希望ML模型能夠處理內(nèi)存中的圖像，所以我們需要將圖像加載到數(shù)據(jù)集中，并通過調(diào)用fit()和ttransform()來實現(xiàn)。需要在初始且分離的管道中執(zhí)行此步驟，以便在訓(xùn)練時，管道和模型不會使用文件路徑來創(chuàng)建。

//?3.?Load?Images?with?in-memory?type?within?the?IDataView?and?Transform?Labels?to?Keys?(Categorical) IDataView?shuffledFullImagesDataset?=?mlContext.Transforms.Conversion.MapValueToKey(outputColumnName:?"LabelAsKey",?inputColumnName:?"Label",?keyOrdinality:?KeyOrdinality.ByValue).Append(mlContext.Transforms.LoadRawImageBytes(outputColumnName:?"Image",imageFolder:?fullImagesetFolderPath,inputColumnName:?"ImagePath")).Fit(shuffledFullImageFilePathsDataset).Transform(shuffledFullImageFilePathsDataset);

此外，在分割數(shù)據(jù)集之前，我們還將標(biāo)簽轉(zhuǎn)換為鍵（分類）。如果您不想在第二個管道（訓(xùn)練管道）中轉(zhuǎn)換標(biāo)簽時處理/匹配KeyOrdinality，那么在拆分之前執(zhí)行此操作也很重要。

現(xiàn)在，讓我們將數(shù)據(jù)集分成兩個數(shù)據(jù)集，一個用于訓(xùn)練，另一個用于測試/驗證模型的質(zhì)量。

//?4.?Split?the?data?80:20?into?train?and?test?sets,?train?and?evaluate. var?trainTestData?=?mlContext.Data.TrainTestSplit(shuffledFullImagesDataset,?testFraction:?0.2); IDataView?trainDataView?=?trainTestData.TrainSet; IDataView?testDataView?=?trainTestData.TestSet;

作為最重要的步驟，您可以定義模型的訓(xùn)練管道，在這里您可以看到如何輕松地訓(xùn)練一個新的TensorFlow模型，該模型基于默認(rèn)體系結(jié)構(gòu)（預(yù)先訓(xùn)練的模型）的遷移學(xué)習(xí)，例如Resnet V2 500。

//?5.?Define?the?model's?training?pipeline?using?DNN?default?values // var?pipeline?=?mlContext.MulticlassClassification.Trainers.ImageClassification(featureColumnName:?"Image",labelColumnName:?"LabelAsKey",validationSet:?testDataView).Append(mlContext.Transforms.Conversion.MapKeyToValue(outputColumnName:?"PredictedLabel",inputColumnName:?"PredictedLabel"));

上面代碼中的重要一行是使用mlContext.MulticlassClassification.Trainers.ImageClassification分類訓(xùn)練器的行，正如您所看到的，這是一個高級API，您只需要提供哪個列包含圖像，帶有標(biāo)簽的列（要預(yù)測的列）和用于在訓(xùn)練時計算質(zhì)量度量的驗證數(shù)據(jù)集，以便模型在訓(xùn)練時可以自我調(diào)整（更改內(nèi)部超參數(shù)）。

在本質(zhì)上，此模型訓(xùn)練基于從默認(rèn)體系結(jié)構(gòu)（預(yù)先訓(xùn)練的模型）學(xué)習(xí)的本地TensorFlow DNN遷移，例如Resnet V2 50。還可以通過配置可選的超參數(shù)來選擇要從中派生的超參數(shù)。

就這么簡單，您甚至不需要進(jìn)行圖像變換（調(diào)整大小、規(guī)格化等）。根據(jù)所使用的DNN架構(gòu)，該框架在幕后進(jìn)行所需的圖像轉(zhuǎn)換，因此您只需使用單個API即可。

可選使用高級超參數(shù)

高級用戶還有另一種重載方法，您還可以指定可選的超參數(shù)，例如epoch，batchSize，learningRate，特定的DNN架構(gòu)，例如Inception v3或者Resnet v2101和其他典型的DNN參數(shù)，但大多數(shù)用戶都可以從簡化的API開始。

以下是如何使用高級DNN參數(shù)：

//?5.1?(OPTIONAL)?Define?the?model's?training?pipeline?by?using?explicit?hyper-parametersvar?options?=?new?ImageClassificationTrainer.Options() {FeatureColumnName?=?"Image",LabelColumnName?=?"LabelAsKey",//?Just?by?changing/selecting?InceptionV3/MobilenetV2/ResnetV250//?you?can?try?a?different?DNN?architecture?(TensorFlow?pre-trained?model).Arch?=?ImageClassificationTrainer.Architecture.MobilenetV2,Epoch?=?50,???????//100BatchSize?=?10,LearningRate?=?0.01f,MetricsCallback?=?(metrics)?=>?Console.WriteLine(metrics),ValidationSet?=?testDataView };var?pipeline?=?mlContext.MulticlassClassification.Trainers.ImageClassification(options).Append(mlContext.Transforms.Conversion.MapKeyToValue(outputColumnName:?"PredictedLabel",inputColumnName:?"PredictedLabel"));

3. 訓(xùn)練模型

為了開始訓(xùn)練過程，您需要在構(gòu)建的管道上運行Fit：

//?4.?Train/create?the?ML?model ITransformer?trainedModel?=?pipeline.Fit(trainDataView);

4. 評估模型

訓(xùn)練完成后，利用測試數(shù)據(jù)集對模型進(jìn)行質(zhì)量評價。

Evaluate函數(shù)需要一個IDataView，其中包含通過調(diào)用Transform()從測試數(shù)據(jù)集生成的預(yù)測。

//?5.?Get?the?quality?metrics?(accuracy,?etc.) IDataView?predictionsDataView?=?trainedModel.Transform(testDataset);var?metrics?=?mlContext.MulticlassClassification.Evaluate(predictionsDataView,?labelColumnName:"LabelAsKey",?predictedLabelColumnName:?"PredictedLabel"); ConsoleHelper.PrintMultiClassClassificationMetrics("TensorFlow?DNN?Transfer?Learning",?metrics);

最后，保存模型：

//?Save?the?model?to?assets/outputs?(You?get?ML.NET?.zip?model?file?and?TensorFlow?.pb?model?file) mlContext.Model.Save(trainedModel,?trainDataView.Schema,?outputMlNetModelFilePath);

運行項目來訓(xùn)練模型

您應(yīng)該按照以下步驟來訓(xùn)練您的模型：

在Visual Studio中將ImageClassification.Train設(shè)置為啟動項目

在Visual Studio中按F5。幾秒鐘后，該過程將完成并保存一個新的ML.NET模型到文件assets/outputs/imageClassifier.zip

5. “終端用戶”應(yīng)用中的使用模型

GPU與CPU對模型的使用/評分對比

在使用/評分模型時，您也可以在CPU/GPU之間進(jìn)行選擇，但是，如果使用GPU，您還需要確保運行模型的計算機(jī)/服務(wù)器支持GPU。

設(shè)置評分/使用項目以使用GPU的方法與本readme.md開頭所述的方法相同，只需使用一個或另一個redist庫。

用于評分的示例控制臺應(yīng)用程序

在示例的解決方案中，還有第二個項目名為ImageClassifcation.Predict。這個控制臺應(yīng)用程序只需加載您定制的ML.NET模型，并以假設(shè)的最終用戶應(yīng)用程序的方式執(zhí)行一些樣本預(yù)測。

首先要做的是將生成的assets/outputs/imageClassifier.zip文件復(fù)制/粘貼到使用項目的inputs/MLNETModel文件夾中。

關(guān)于代碼，您首先需要加載在模型訓(xùn)練應(yīng)用執(zhí)行期間創(chuàng)建的模型。

MLContext?mlContext?=?new?MLContext(seed:?1); ITransformer?loadedModel?=?mlContext.Model.Load(imageClassifierModelZipFilePath,?out?var?modelInputSchema);

然后，您可以創(chuàng)建一個預(yù)測器引擎對象，并最終使用文件夾assets/inputs/images-for-predictions的第一個圖像進(jìn)行一些樣本預(yù)測，其中只有一些圖像在訓(xùn)練模型時沒有使用。

請注意，在評分時，只需要具有內(nèi)存圖像的InMemoryImageData類型。

該圖像也可以通過任何其他通道傳輸，而不是從文件中加載。例如，這個解決方案中的ImageClassification.WebApp通過HTTP獲取將要用于預(yù)測的圖像。

var?predictionEngine?=?mlContext.Model.CreatePredictionEngine<InMemoryImageData,?ImagePrediction>(loadedModel);//Predict?the?first?image?in?the?folder IEnumerable<InMemoryImageData>?imagesToPredict?=?LoadInMemoryImagesFromDirectory(imagesFolderPathForPredictions,?false);InMemoryImageData?imageToPredict?=?new?InMemoryImageData {Image?=?imagesToPredict.First().Image,ImageFileName?=?imagesToPredict.First().ImageFileName };var?prediction?=?predictionEngine.Predict(imageToPredict);//?Get?the?highest?score?and?its?index float?maxScore?=?prediction.Score.Max();Console.WriteLine($"Image?Filename?:?[{imageToPredict.ImageFileName}],?"?+$"Predicted?Label?:?[{prediction.PredictedLabel}],?"?+$"Probability?:?[{maxScore}]?");

預(yù)測引擎接收InMemoryImageData類型的對象作為參數(shù)（包含2個屬性：Image和ImageFileName）。該模型不使用ImageFileName。您只需將它放在這里，以便在顯示預(yù)測時可以將文件名打印出來。預(yù)測僅使用byte[] Image字段中的圖像位。

然后，模型返回類型為ImagePrediction的對象，該對象包含所有圖像類/類型的PredictedLabel和所有Scores。

由于PredictedLabel已經(jīng)是一個字符串，因此它將顯示在控制臺中。關(guān)于預(yù)測標(biāo)簽的分?jǐn)?shù)，我們只需要取最高的分?jǐn)?shù)，即預(yù)測標(biāo)簽的概率。

運行“最終用戶應(yīng)用程序”項目以嘗試預(yù)測

您應(yīng)該按照以下步驟來使用您的模型：

在Visual Studio中將“ImageClassification.Predict”設(shè)置為啟動項目

在Visual Studio中按F5。幾秒鐘后，該過程將通過加載并使用自定義的imageClassifier.zip?模型來顯示預(yù)測。

用于評分/推斷的ASP.NET Core web應(yīng)用示例

在示例的解決方案中，還有另一個名為ImageClassification.WebApp的項目，它是一個ASP.NET Core web應(yīng)用程序，允許用戶通過HTTP提交圖像，并使用內(nèi)存中的圖像進(jìn)行評分/預(yù)測。

此示例還使用了PredictionEnginePool，建議用于多線程和可擴(kuò)展的應(yīng)用程序。

您可以在下面看到該應(yīng)用的屏幕截圖：

TensorFlow DNN遷移學(xué)習(xí)背景信息

這個示例應(yīng)用程序正在重新訓(xùn)練用于圖像分類的TensorFlow模型。您可能認(rèn)為它與另一個示例非常相似 Image classifier using the TensorFlow Estimator featurizer。不過，內(nèi)部的實現(xiàn)方式卻有很大的不同。在上述示例中，它使用的是“模型合成方法”，其中初始TensorFlow模型（即InceptionV3或ResNet）僅用于對圖像進(jìn)行特征化，并生成每個圖像的二進(jìn)制信息，以供添加在頂部的另一個ML.NET分類器訓(xùn)練器使用（例如LbfgsMaximumEntropy）。因此，即使該示例使用的是TensorFlow模型，您也只能使用ML.NET trainer進(jìn)行訓(xùn)練，您不會重新訓(xùn)練新的TensorFlow模型，而是訓(xùn)練ML.NET模型。這就是為什么該示例的輸出只是一個ML.NET模型（.zip文件）。

與此相反，本例在本地基于遷移學(xué)習(xí)方法對新的TensorFlow模型進(jìn)行重新訓(xùn)練，再從指定的預(yù)訓(xùn)練模型（Inception V3或ResNet）派生的新TensorFlow模型進(jìn)行了訓(xùn)練。

重要的區(qū)別在于，這種方法使用TensorFlowAPI進(jìn)行內(nèi)部再訓(xùn)練，并創(chuàng)建一個新的TensorFlow模型（.pb）。然后，您使用的ML.NET.zip文件模型就像是新的重新訓(xùn)練的TensorFlow模型的包裝器。這就是為什么您還可以看到訓(xùn)練后生成的新.pb文件的原因：

在下面的屏幕截圖中，您可以看到如何在Netron中看到重新訓(xùn)練的TensorFlow模型（custom_retrained_model_based_on_InceptionV3.meta.pb），因為它是本機(jī)TensorFlow模型：

好處:

• 使用GPU進(jìn)行訓(xùn)練和推斷：當(dāng)使用基于TensorFlow的本機(jī)DNN方法時，您可以使用CPU或GPU（如果可用）來獲得更好的性能（減少訓(xùn)練和評分所需的時間）。

• 跨多個框架和平臺重用：由于您本機(jī)訓(xùn)練了Tensorflow模型，除了能夠使用ML.NET 'wrapper'模型（.zip文件）運行/使用該模型之外，您還可以使用.pb Tensorflow凍結(jié)模型并在任何其他框架（如Python/Keras/Tensorflow）上運行它，或者Java/Android應(yīng)用程序或任何支持TensorFlow的框架。

• 靈活性和性能：由于ML.NET是在Tensorflow層上進(jìn)行內(nèi)部再訓(xùn)練的，因此ML.NET團(tuán)隊將能夠進(jìn)一步優(yōu)化并采取多種方法，如在最后一層上進(jìn)行訓(xùn)練或跨Tensorflow模型在多個層上進(jìn)行訓(xùn)練，并獲得更好的質(zhì)量水平。

總結(jié)

以上是生活随笔為你收集整理的ML.NET 示例：图像分类模型训练-首选API（基于原生TensorFlow迁移学习）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。