做网站公司郑州汉狮,wordpress时间轴模版,58招聘网最新招聘信息,wordpress js链接地址点击上方蓝字关注我们#xff08;本文阅读时间#xff1a;5分钟)ML.NET是一款面向.NET开发人员的开源#xff0c;跨平台机器学习框架#xff0c;可以将自定义机器学习集成到.NET应用中。我们很开心地向您介绍我们在过去几个月中所做的工作。ML.NET:https://dotnet.microsof… 点击上方蓝字关注我们本文阅读时间5分钟)ML.NET是一款面向.NET开发人员的开源跨平台机器学习框架可以将自定义机器学习集成到.NET应用中。我们很开心地向您介绍我们在过去几个月中所做的工作。ML.NET:https://dotnet.microsoft.com/en-us/apps/machinelearning-ai/ml-dotnet?ocidAID3045631AutoML更新 自动化机器学习(AutoML)通过更容易地为您适合的场景和数据集找到最佳算法从而使该过程自动化。AutoML是支持模型生成器和ML.NET CLI训练经验的后端。去年我们宣布在我们的模型生成器和基于神经网络智能 (NNI) 的 ML.NET CLI 工具以及 Microsoft Research 的快速轻量级 AutoML (FLAML) 技术中对 AutoML 实施进行了更新。与之前的解决方案相比这些更新提供了一些好处和改进包括:探索的模型数量增加。提高了超时错误率。改进的性能指标(例如准确性和r平方)。直到最近您还只能在我们的工具中利用这些AutoML改进。我们很兴奋地宣布我们已经将AutoML的NNI / FLAML实现集成到ML.NET框架中这样你就可以从代码优先的体验中使用它们。要开始使用AutoML API请使用ML.NET daily feed安装Microsoft.ML和Microsoft.ML.Auto NuGet包的微软最新的预发布版本。神经网络智能 (NNI):https://github.com/Microsoft/nni快速轻量级 AutoML (FLAML):https://github.com/Microsoft/flaml实验的API 实验是训练或试验的集合。每次试验都会产生关于自身的信息例如:评估指标:用于评估模型的预测能力的指标。流水线:用于训练模型的算法和超参数。实验API为AutoML提供了一组默认值使您更容易将其添加到训练管道中。// 配置AutoML管道
var experimentPipeline dataPrepPipeline.Append(mlContext.Auto().Regression(labelColumnName: fare_amount));
// 配置实验
var experiment mlContext.Auto().CreateExperiment().SetPipeline(experimentPipeline).SetTrainingTimeInSeconds(50).SetDataset(trainTestSplit.TrainSet, validateTestSplit.TrainSet).SetEvaluateMetric(RegressionMetric.RSquared, fare_amount, Score);
// 运行实验
var result await experiment.Run();在这个代码片段中dataprepipeline是一系列转换用于将数据转换为适合训练的格式。训练回归模型的AutoML组件被附加到该管道上。同样的概念也适用于其他受支持的场景比如分类。当您使用已定义的训练管道创建实验时您可以自定义的设置包括训练时间、训练和验证集以及优化的评估指标。定义了管道和实验之后调用Run方法开始训练。▌搜索空间和可清除估计器如果需要对超参数搜索空间有更多的控制可以定义搜索空间并使用可清除的估计器将其添加到训练管道中。// 配置搜索空间
var searchSpace new SearchSpaceLgbmOption();// 初始化估计器管道
var sweepingEstimatorPipeline dataPrepPipeline.Append(mlContext.Auto().CreateSweepableEstimator((context, param) {var option new LightGbmRegressionTrainer.Options(){NumberOfLeaves param.NumberOfLeaves,NumberOfIterations param.NumberOfTrees,MinimumExampleCountPerLeaf param.MinimumExampleCountPerLeaf,LearningRate param.LearningRate,LabelColumnName fare_amount,FeatureColumnName Features,HandleMissingValue true};return context.Regression.Trainers.LightGbm(option);}, searchSpace));搜索空间定义了用于搜索的超参数范围。可清理评估器使您能够像使用其他评估器一样使用ML.NET管道中的搜索空间。要创建和运行实验您需要使用CreateExperiment和run方法的相同过程。模型生成器和ML.NET CLI更新我们已经对模型生成器和ML.NET CLI做了几个更新。其中我想强调的两个是:时间序列预测场景的模型生成器.NET CLI的新版本▌时间序列预测场景(预览)时间序列预测是在与时间相关的观测中确定模式并对未来几个时期作出预测的过程。现实世界的用例有:预测产品需求能源消费预测在ML.NET中选择时间序列预测的训练师并不太难因为你只有一个选择ForecastBySsa。困难的部分在于找到参数如分析的时间窗口和预测未来的距离。找到正确的参数是一个实验过程这是AutoML的一项出色工作。对我们的AutoML实现的更新使通过超参数进行智能搜索成为可能从而简化了训练时间序列预测模型的过程。作为这些努力的结果我们很高兴地与大家分享您现在可以在模型生成器中训练时间序列预测模型。下载或更新到模型生成器的最新版本开始训练您的时间序列预测模型。▌ML.NET CLI的新版本ML.NET CLI是我们的跨平台.NET全局工具它利用AutoML在运行Windows、MacOS和Linux的x64和ARM64设备上训练机器学习模型。几个月前我们发布了ML.NET CLI的新版本它带来了:.NET 6 支持支持 ARM64 架构新场景图像分类针对 x64 架构建议预测安装 ML.NET CLI 并从命令行开始训练模型。ForecastBySsa:https://docs.microsoft.com/zh-cn/dotnet/api/microsoft.ml.timeseriescatalog.forecastbyssa?viewml-dotnet?ocidAID3045631下载或更新到模型生成器的最新版本:https://docs.microsoft.com/zh-cn/dotnet/machine-learning/how-to-guides/install-model-builder?tabsvisual-studio-2019?ocidAID3045631安装 ML.NET CLI:https://docs.microsoft.com/en-us/dotnet/machine-learning/how-to-guides/install-ml-net-cli?tabswindows?ocidAID3045631Notebooks的键盘快捷键 Interactive Notebooks广泛应用于数据科学和机器学习。它们对于数据探索和准备、实验、模型解释和教育都很有用。去年10月我们发布了基于.NET Interactive的Visual Studio Notebook Editor扩展。在过去的几个月里我们一直在改进性能和稳定性。在我们的最新版本中我们通过启用键盘快捷键让您无需离开键盘就能更轻松地工作。如果你以前使用过notebooks你应该对其中的许多快捷方式很熟悉。键指令K向上移动焦点J向下移动焦点A在上面插入单元格B在下面插入单元格DD删除单元格Ctrl Z撤销Ctrl S保存Ctrl C复制单元格Ctrl X剪切单元格Ctrl V粘贴单元格L切换行号O开关输出II取消单元格执行00启动内核Ctrl Shift -分割单元格Ctrl Enter执行/运行单元格Shift Enter执行/运行单元格并将焦点向下移动表中的键是大写的但大写不是必需的。安装最新版本的Notebook编辑器并开始在Visual Studio中创建Notebook。.NET Interactive:https://github.com/dotnet/interactiveVisual Studio Notebook Editor扩展:https://devblogs.microsoft.com/dotnet/ml-net-and-model-builder-october-updates/#notebook-editor-in-visual-studio?ocidAID3045631Notebook编辑器:https://marketplace.visualstudio.com/items?itemNameMLNET.notebookML.NET的下一个目标是什么? 我们正积极朝着路线图中所概述的领域努力。▌深度学习几个月前我们分享了深度学习的计划。该计划的很大一部分围绕着改善ONNX的消费体验并通过TorchSharp(一个提供对驱动PyTorch的库的访问的.NET库)实现新的场景。我们在实现这一计划方面取得的一些进展包括:为ONNX推断启用全局GPU标志。在此更新之前当你想使用GPU对ONNX模型进行推断时ApplyOnnxModel转换中的FallbackToCpu和GpuDeviceId标志没有被保存为管道的一部分。因此每次都必须安装管道。我们已经使这些标志可作为MLContext的一部分访问因此您可以将它们保存为模型的一部分。TorchSharp 面向 .NET 标准。TorchSharp最初的目标是.NET 5。作为我们将TorchSharp集成到ML.NET的工作的一部分我们更新为TorchSharp面向.NET标准。在接下来的几周里我们很高兴与大家分享我们在TorchSharp与ML.NET集成方面取得的进展。路线图:https://github.com/dotnet/machinelearning/blob/main/ROADMAP.md深度学习的计划:https://github.com/dotnet/machinelearning/issues/5918TorchSharp:https://github.com/dotnet/TorchSharp.NET DataFrame 清晰且具有代表性的数据有助于提高模型的性能。因此理解、清理和准备训练数据的过程是机器学习工作流中的关键步骤。几年前我们在.NET中引入了DataFrame类型作为Microsoft.Data.Analysis NuGet包的预览。DataFrame仍处于预览阶段。我们理解使用工具来执行数据清理和处理任务是多么重要并且已经开始组织和优先考虑反馈因此我们解决了现有的稳定性和开发人员经验痛点。这些反馈被组织成GitHub问题的一部分。我们创建这个跟踪问题是为了跟踪和组织反馈。如果您有任何想要与我们分享的反馈请在描述中为个别问题投票或在跟踪问题中直接评论。Microsoft.Data.Analysis:https://www.nuget.org/packages/Microsoft.Data.Analysis/跟踪问题:https://github.com/dotnet/machinelearning/issues/6144https://pkgs.dev.azure.com/dnceng/public/_packaging/MachineLearning/nuget/v3/index.jsonMLOps 机器学习操作(MLOps)就像机器学习生命周期的DevOps。这包括模型部署和管理以及数据跟踪这有助于机器学习模型的产品化。我们一直在评估用ML.NET改善这种体验的方法。最近我们发表了一篇博客文章指导你完成设置Azure机器学习数据集、使用ML.NET CLI训练ML.NET模型以及使用Azure Devops配置再训练管道的过程。要了解更多细节请参阅《在Azure ML中训练ML.NET模型》一文。《在Azure ML中训练ML.NET模型》:https://devblogs.microsoft.com/dotnet/training-a-ml-dotnet-model-with-azure-ml/?ocidAID3045631入门和资源在微软文档中详细了解 ML.NET、模型生成器和 ML.NET CLI。如果您遇到任何问题功能请求或反馈请在GitHub上的ML.NET回购或ML.NET工具(Model Builder ML.NET CLI)回购中提交问题。微软文档:https://docs.microsoft.com/en-us/dotnet/machine-learning/how-to-guides/install-ml-net-cli?tabswindows?ocidAID3045631ML.NET回购或ML.NET工具(Model Builder ML.NET CLI)回购:https://github.com/dotnet/machinelearning-modelbuilder谢谢你读完了本文相信你一定有一些感想、观点、问题想要表达。欢迎在评论区畅所欲言期待听到你的“声音”哦同时喜欢的内容也不要忘记转发给你的小伙伴们谢谢你的支持长按识别二维码关注微软中国MSDN点击「阅读原文」了解更多ML.NET信息~
