ML.Net - 开源的跨平台机器学习框架
- 支持CPU/GPU训练
- 轻松简洁的预测代码
- 可扩展其他的机器学习平台
- 跨平台
1.使用Visual Studio的Model Builder训练和使用模型
Visual Studio默认安装了Model Builder插件，可以很快地进行一些通用模型类型的训练和部署，提高接入机器学习的开发效率
1.1 新建模型
通过非常简单地 右键项目-添加-机器学习模型
1.2 选择模型
ModelBuilder中提供了集中常用的模型类型以供开发者使用，开发者可以通过这些类别的模型快速接入，并且训练自己的数据，本节内容将会使用计算机视觉中的”图像分类“进行演示
1.3 选择训练环境
接下来要选择训练的环境，提供了CPU/GPU/Azure云三种方式训练，这里为了简单演示，我使用了CPU训练，如果数据量大且复杂的请选择GPU，并且提前安装CUDA、cuDNN
1.4 添加训练数据
我从搜索引擎中，搜集到了一系列”奥特曼“的图片（我相信不是所有人都可以认出各个时代的各个奥特曼 哈哈哈）
然后将这些图片进行了文件夹分类，导入到ModelBuilder中，如下：
1.5 开始训练
本次演示训练157张图片，耗时50秒
1.6 评估
此环节，为了检验训练成果和准确率，ModelBuilder中提供了图形化的方式进行预测检测，我在另外的搜索引擎中，找到了一张没有经过训练的图片，它准确地判断出了”迪迦奥特曼“的概率为63%
1.7 代码编写
这一环节中，ModelBuilder给出了示例代码，直接复制粘贴就可以用到自己的实际项目中
同时还提供了，一键生成控制台或者WebAPI项目的入口。给力！