当今部位： > 技术性实例教程 根据Windows 设备学习培训(Machine Learning)的图象归类(Image classification)完成 - osc_b6tyukpz的本人室内空间 - OSCHINA 来源于： 创作者： 浏览频次：140
【强烈推荐阅读文章】微服务还能火多长时间？>>>

今日见到一一篇文章 Google’s Image Classification Model is now Free to Learn 

 

说成狗狗的设备学习培训速学课程内容（Machine Learning Crash Course）如今能够完全免费学习培训啦，由于一刚开始今年初的情况下是內部应用的，之后对外开放给大家了。大伙儿有谁对未作恶家的设备学习培训很感兴趣得话，能够点一下联接去看看看。

可是之上并不是我讲的关键。

 

说狗狗的缘故，是以便引出来我大微软公司的设备学习培训。

 

在2018三月七日，在Windows开发设计者每日活跃动中，微软公司公布发布Windows人力智能化服务平台Windows ML。

ML means machine learning, not make love. Understand???

 

在Windows ML服务平台下，开发设计工作人员可以将不一样的AI服务平台导进目前的学习培训实体模型，并在安裝了Windows10系统软件的PC机器设备上应用事先学习培训的ML实体模型，并运用CPU和GPU（AMD，Intel，m）硬件配置开展加快，并非云空间。进而加速对当地图象及视頻数据信息的即时剖析，乃至是后台管理每日任务的改善。

另外该技术性适用ONNX文件格式的ML实体模型制造行业规范，开发设计者可以加上ONNX文档至UWP运用中，在并新项目中转化成实体模型页面。

现阶段微软公司已经将自己的AI技术性融进进了Office 365、Windows 10 相片中，乃至还应用了Windows Hello脸部鉴别技术性，来更换传统式的启动登陆密码。

 

看一下你看看，那么牛B的技术性，大家如何不到抢鲜呢。但是都不鲜了，早已以往仨月了。可是哪一家的技术性并不是先画一个饼，过好长时间你才可以见到试品。嘿嘿。

如今学习培训ML还到来及。

 

 在实际操作以前，先来讲一下必须甚么配备吧。

1. Windows 10 1803 或是高些

2. Visual Studio 15.7.1或高些

3. Microsoft Visual Studio Tools for AI，在专用工具——拓展和升级 里边检索AI就可以寻找。

 

 

 OK，大致说一龌龊程。

1. 建立和训炼设备学习培训的实体模型

要完成对某一幅图像的鉴别，最先大家必须用一些数据信息来训炼设备，告知它这一是什么。也便是加标识tag.

例如，以前微软公司的小冰识狗，那么你得最先找许多狗的相片吧，你需要是拿猫的相片来训炼设备，告知它它是狗，都不不是能够。由于历史时间上也是有指鹿为马的小故事呢。自然在一个非常大数据信息下，例如你拿了十万张狗的照片，里边有那麼几张是猫的，鸡的照片，那样训炼出去也没事儿。由于设备会在训炼以后让你一数量据给你参照。在数据信息非常大的前提条件下，容许小错的。

 

2. 编码实战演练

用编码来完成一下，而且任意挑一张相片，叫设备鉴别它是个啥。由于设备刚刚学习培训了啊，假如他了解，那麼便会得出相对的将会性尺寸。

 

 

 

 1. 建立和训炼设备学习培训的实体模型

 

用你的Microsoft账户登录 projects, ，建立新项目，种类就挑选图象归类，Domains行业挑选了General（Compact），带Compact是能够四处到Android和ios上放实体模型

 

 

 接下去你能见到下面的图，你可以以先加标识tag，在给标识加上相对的图象。还可以先加图象，随后新加标识的。

 

 我先训炼一个川普出去试一下，

 

你可以以加多好多个标识。我一共干了2个。一个是川普，一个是一种花，一年蓬。

等把标识和相匹配的图象都提交结束后，点一下上边的【训炼】

 

 随后训炼結果立刻就出去了。

第一个Precision，表明实体模型包括的标识预测分析的精密度，越大就越好。

第一个Recall，实体模型标识外的预测分析精密度，也是越大就越好。

自然，你还可以如今实验一下。点一下右上角的Quick Test，就可以检测。。

 

 

 

 随后，点一下正上边的Export，导出来实体模型。适用4种文件格式，Android，Ios，ONNX，DockFile。大家挑选WIndows规范的ONNX。好啦。第一步基本完毕。非常简单，全是点两下就拿下。

假如您好奇ONNX里边是什么模样，那麼恭贺你，很好的学。去 lutzroeder/Netron 免费下载一个手机软件，看一下吧。

 

 

 2. 编码实战演练

实体模型搞好了，就该敲代码了。编码都不多，非常简单滴。

在建一个UWP 程序，在Assets财产文档夹里边，加上刚刚免费下载的ONNX文档（该文档能够随便重新命名，也最好Rename一下，要不然文档姓名过长了），设定它的转化成实际操作为【Content 內容】。

它是你能发觉，多了一个.cs类。

 

 开启Vincent.cs看一下啊，没有错，也是有点儿乱。改一下咯

using System;
using System.Collections.Generic;
using System.Threading.Tasks;
using Windows.Media;
using Windows.Storage;
using Windows.AI.MachineLearning.Preview;
// e6c82f6e-c60f-422a-97b6-e0406cba82da_6ed0259c-001e-4895-be7a-4a930321a307
namespace VincentML
 public sealed class ModelInput
 public VideoFrame data { get; set; }
 public sealed class ModelOutput
 public IList string classLabel { get; set; }
 public IDictionary string, float loss { get; set; }
 public ModelOutput()
 this.classLabel = new List string ();
 this.loss = new Dictionary string, float ()
 { "Donald Trump", float.NaN },
 { "Yinianpeng", float.NaN },
 public sealed class Model
 private LearningModelPreview learningModel;
 public static async Task Model CreateModel(StorageFile file)
 LearningModelPreview learningModel = await LearningModelPreview.LoadModelFromStorageFileAsync(file);
 Model model = new Model();
 model.learningModel = learningModel;
 return model;
 public async Task ModelOutput EvaluateAsync(ModelInput input) {
 ModelOutput output = new ModelOutput();
 LearningModelBindingPreview binding = new LearningModelBindingPreview(learningModel);
 binding.Bind("data", input.data);
 binding.Bind("classLabel", output.classLabel);
 binding.Bind("loss", output.loss);
 LearningModelEvaluationResultPreview evalResult = await learningModel.EvaluateAsync(binding, string.Empty);
 return output;
}

 

 

 好，接下去写一个简易的页面，一个图象Image和一个按键Button，一个文字TextBlock

 Grid 
 Grid 
 Grid.RowDefinitions 
 RowDefinition/ 
 RowDefinition Height="Auto"/ 
 RowDefinition Height="Auto"/ 
 /Grid.RowDefinitions 
 Image x:Name="image"/ 
 TextBlock Grid.Row="1" x:Name="tbResult" HorizontalAlignment="Center"/ 
 Button Grid.Row="2" Content="Choose a picture" HorizontalAlignment="Center" Click="ChooseImage"/ 
 /Grid 
 /Grid 

 

 关键看后台管理编码ChooseImage。

龙宫分四步：

1. 载入实体模型

2. 挑选一个照片

3. 设定实体模型的键入数据信息

4. 輸出結果

//1. 载入实体模型
 StorageFile modelDile = await StorageFile.GetFileFromApplicationUriAsync(new Uri($"ms-appx:///Assets/Vincent.onnx"));
 Model model = await Model.CreateModel(modelDile);

 //2. 挑选一个照片
 FileOpenPicker picker 
= new FileOpenPicker();
 picker.FileTypeFilter.Add(".jpg");
 picker.FileTypeFilter.Add(".jpeg");
 picker.FileTypeFilter.Add(".png");
 picker.FileTypeFilter.Add(".bmp");
 picker.SuggestedStartLocation = PickerLocationId.PicturesLibrary;
 var file = await picker.PickSingleFileAsync();
 if (file != null)
 {

                  BitmapImage src = new BitmapImage();
                  using (essStream stream = await file.essMode.Read))
                  {
                      await src.SetSourceAsync(stream);
                      stream.Dispose();
                  };
                  image.Source = src;

 //3. 设定实体模型的键入数据信息
 ModelInput modelInput = new ModelInput();
 modelInput.data = await GetVideoFrame(file);

 //4. 輸出結果
 ModelOutput modelOutput 
= await model.EvaluateAsync(modelInput);
 var topCategory = modelOutput.loss.OrderByDescending(kvp = kvp.Value).FirstOrDefault().Key;
 }

 

 留意一下，ModelInput的输尽数据种类是VideoFrame，因此必须将照片变换一下。

 private async Task VideoFrame GetVideoFrame(StorageFile file)
 SoftwareBitmap softwareBitmap;
 using (essStream stream = await file.essMode.Read))
 // Create the decoder from the stream 
 BitmapDecoder decoder = await BitmapDecoder.CreateAsync(stream);
 // Get the SoftwareBitmap representation of the file in BGRA8 format
 softwareBitmap = await decoder.GetSoftwareBitmapAsync();
 softwareBitmap = SoftwareBitmap.Convert(softwareBitmap, BitmapPixelFormat.Bgra8, BitmapAlphaMode.Premultiplied);
 return VideoFrame.CreateWithSoftwareBitmap(softwareBitmap);
 }

 

 

 好啦，看一下咋样，运作一下。

 我都特意找了一张川总很帅的头型图

 

 

 假如你挑选了一某些的相片，例如狗，会获得那样的。

可是你非得说这条狗就叫Donald Trump，那么我无F*ck可讲过。

 

 

 

最终，热烈欢迎大伙儿去全世界较大的同性恋交朋友服务平台Fork/Star我的新项目：hupo376787/MachineLearningOnUWP

• 上一篇：Go 选用 goroutine 和 channel 完成工作中池
• 下一篇：没有了