在这段关于使用 .NET、PyTorch 和 ONNX 运行时学习机器学习的视频中,演讲者介绍了 ONNX 运行时并解释了训练机器学习模型的不同步骤。他们还演示了如何将 ONNX 格式与 .NET 一起用于深度学习,并讨论了理解超参数和优化方法对于准确模型预测的重要性。演讲者还展示了如何使用 ONNX 运行时加载模型和进行预测,以及如何在运行会话时使用 try-block 处理任何潜在错误。此外,他们还讨论了使用不确定向量来显示 AI 在其预测中的不确定性,并提到了一些使用 AI 的行业,例如欺诈检测和推荐系统。
00:00:00 在视频“Learning Machine Learning with .NET, PyTorch and the ONNX Runtime”这部分视频中,主持人介绍了ONNX Runtime以及如何将其与.NET一起用于深度学习。他们解释说,一旦模型被训练好,下一步就是将模型文件带入项目并得到答案。他们使用识别数字的示例,并展示了一个带有卷积神经网络模型的 Py Torch GitHub 存储库。他们还强调了 VS Code 作为 Python 的 IDE 及其内置特性和功能的实用性。
00:40:00 在本节中,演讲者首先在 Visual Studio 2022 中创建一个空白解决方案,用于将 scikit-learn ML 模型(特别是逻辑回归模型)与使用 ONNX 的 .NET 生态系统集成。然后,演讲者在解决方案中创建一个 Azure 函数,并获取样板代码以使用 .NET 6 作为 HTTP 触发器来实现它。他们使用 Insomnia 创建一个具有 JSON 格式输入功能的新请求,该请求将被解析并用于系统集成。演讲者从 NuGet 安装 Microsoft ML ONNX 运行时包,并创建一个类来解释输入功能集。然后演讲者使用代码片段来加速集成过程。
00:45:00 在本节中,演讲者讨论了如何使用 JSON 转换器从 API 检索和反序列化请求正文,以便将其作为输入发送到 ML 模型。他们创建 LSLead Scoring Model 参数类的对象,并将反序列化请求主体中的值分配给它。他们还解释了实现输入张量并将输入数据转换为张量的 TensorFlow 对象的重要性,因此它可以合并到推理会话中。最后,他们使用 ONNX 运行时创建推理会话并检索会话输出以运行 ML 模型。
00:50:00 在本节中,演示者试图展示如何使用 ONNX 将 scikit-learn ML 模型与 ML.NET 集成,但遇到了 Visual Studio 的技术困难。在尝试解决问题后,演示者展示了代码片段并讨论了集成所需的必要包和输入张量。尽管遇到了挫折,演示者还是能够提供指向演示中使用的功能和输入特性集的链接,供观众自行访问和试用。
该视频还讨论了与机器学习和深度学习相关的各种主题。演讲者谈到了在 Xamarin 中使用 SkiaSharp 进行图像处理,以及设备上模型因其大小而受到的限制,但指出了拥有设备上模型的好处。他们还建议学习机器学习理论的各种资源,例如 Andrew Ng Coursera 课程,以及提供有关使用工具和库创建机器学习模型的高级信息的应用机器学习课程。还提到了在学习机器学习和将学习融入工作中时有目标的重要性。最后,演讲者暗示了听众可能感兴趣的即将到来的内容。
A state of the art real-time object detection system for C# (Visual Studio). This project has CPU and GPU support, with GPU the detection works much faster. The primary goal of this project is an easy use of yolo, this package is available on nuget and you must only install two packages to start detection. In the background we are use the...
使用 DJL 和 ONNX Runtime 构建您的高性能模型推理解决方案
使用 DJL 和 ONNX Runtime 构建您的高性能模型推理解决方案
Deep Java Library (DJL) 是一个基于 Java 构建的机器学习库,它抽象了深度学习库并提供了多个后端,例如 Apache MXNet、TensorFlow 和 PyTorch。该库有一组针对各种任务的预训练模型,并且已准备就绪,经过严格测试以确保最佳性能,同时控制内存使用。演讲者还介绍了将两个引擎一起加载的混合引擎概念,从而在推理引擎之间提供更平滑的过渡。进一步的开发包括支持 ARM 服务器、在 Android 设备上运行 ONNX Runtime,以及将混合引擎解决方案引入边缘设备。
[FlexFlow Bootcamp 2020] FlexFlow 前端支持:TensorFlow Keras、PyTorch、ONNX 等
[FlexFlow Bootcamp 2020] FlexFlow 前端支持:TensorFlow Keras、PyTorch、ONNX 等
在视频的这一部分,演讲者讨论了支持 TensorFlow Keras、PyTorch 和 ONNX 的 FlexFlow Python API。创建和训练模型的过程包括向模型添加运算符、编译模型、创建数据加载器以及使用拟合函数或自定义训练程序初始化/训练模型。演讲者还讨论了 FlexFlow 中对 Keras 和 PyTorch 模型的支持,以及通过 ONNX 中间表示导入预先存在的模型的能力。但是,重要的是要确保用于构建 FlexFlow 的库与用于构建 ONNX python 包的库之间的一致性。
使用 .NET、PyTorch 和 ONNX 运行时学习机器学习
使用 .NET、PyTorch 和 ONNX 运行时学习机器学习
在这段关于使用 .NET、PyTorch 和 ONNX 运行时学习机器学习的视频中,演讲者介绍了 ONNX 运行时并解释了训练机器学习模型的不同步骤。他们还演示了如何将 ONNX 格式与 .NET 一起用于深度学习,并讨论了理解超参数和优化方法对于准确模型预测的重要性。演讲者还展示了如何使用 ONNX 运行时加载模型和进行预测,以及如何在运行会话时使用 try-block 处理任何潜在错误。此外,他们还讨论了使用不确定向量来显示 AI 在其预测中的不确定性,并提到了一些使用 AI 的行业,例如欺诈检测和推荐系统。
如何在 ML.NET 中读写 ONNX 模型
如何在 ML.NET 中读写 ONNX 模型
该视频首先介绍了 ONNX——一种由 Microsoft 和 Facebook 创建的开放格式,允许在不同框架之间交换机器学习模型。演示者解释了开源和跨平台机器学习库 ML.NET 如何支持 ONNX 模型。然后视频继续展示如何使用 ONNX 运行时包创建 ML.NET 模型并将其导出到 ONNX 文件中。创建 ONNX 模型后,该视频将介绍如何使用它对 ML.NET 中的新数据进行预测。总体而言,该视频提供了有关如何将 ONNX 模型与 ML.NET 一起用于机器学习应用程序的综合指南。
使用 ONNX 将 scikit-learn ML 模型与 ML.NET 集成 - 实用 ML.NET 用户组 02/18/2022
使用 ONNX 将 scikit-learn ML 模型与 ML.NET 集成 - 实用 ML.NET 用户组 02/18/2022
在此视频中,演讲者讨论了使用 ONNX 将 Scikit-learn 机器学习模型与 .NET 生态系统集成。他们使用数字营销领域的领先评分作为如何为客户端系统构建、部署和测试机器学习模型的实际示例。演示者解释了潜在客户评分过程,并强调了构建可最大限度提高营销和销售团队效率的自动化工具的重要性。演讲者讨论了为客户端系统部署机器学习模型的挑战,并介绍了 ONNX 作为解决方案。它们概述了用于使用 ONNX 将 Scikit-learn ML 模型与 ML.NET 集成的工具、包和技术。演讲者演示了如何构建和序列化逻辑回归模型,将其转换为 ONNX 格式,并运行 ONNX 模型,然后再使用 Azure Functions 将其与 .NET 生态系统集成。总体而言,该视频可为希望使用 ONNX 将 Scikit-learn ML 模型与 .NET 生态系统集成的开发人员提供实用指南。
在此实用 ML.NET 用户组会议中,演示者演示了如何使用 ONNX 格式创建可纳入 Dot Net 生态系统的潜在客户评分 ONNX 模型。该实现可以与 ML.NET 并行使用,从而能够在使用 ML.NET 执行机器学习的同时使用 ONNX 运行时执行 ONNX 模型。演示者共享一个 GitHub 存储库,其中包含使用的技术、库和构建 ONNX 模型的分步说明。 ONNX 格式的使用允许跨平台运行时引擎,并有助于弥合数据科学家和应用程序开发人员之间的差距。该会议的价值在于概念验证系统的实际实施,该系统可与其他算法一起使用。
使用 ONNX 和 .NET 的机器学习模型 | .NET 大会 2022
使用 ONNX 和 .NET 的机器学习模型 | .NET 大会 2022
来自 .NET Conf 2022 的“使用 ONNX 和 .NET 的机器学习模型”视频向观众介绍了 AI 和机器学习的概念,包括深度学习和传统编程之间的区别。演示者概述了 Azure 机器学习、PyTorch 和 ONNX,并演示了如何使用 Azure 机器学习创建管道以使用 ONNX 和 .NET 训练机器学习模型。他们还解释了如何将机器学习模型集成到 .NET Maui 应用程序中,并讨论了减少移动设备 ONNX 模型大小的技术。本节最后介绍了下一位演讲者 Rory,他将讨论可访问性。
在 .NET Live 上 - 使用 ONNX、C# .... 和 Pokemon 操作 ML 模型!
在 .NET Live 上 - 使用 ONNX、C# .... 和 Pokemon 操作 ML 模型!
在此 On.NET Live 视频中,主持人讨论了使用 ONNX 操作机器学习模型,并邀请 Cassie Kozyrkov 作为特邀嘉宾。 Kozyrkov 强调了指导的重要性,并讨论了使用 ONNX 作为弥合数据科学家和软件工程师之间差距的一种方式。对话涵盖了各种主题,从使用自然语言处理创建机器学习模型、数据转换的重要性到使用不可见数据进行测试以及通过 Azure Functions 部署模型。演讲者还讨论了 Azure 机器学习以及那些有兴趣更广泛地探索 ONNX 和机器学习模型的人可用的资源。
On.NET Live 视频讨论了使用 ONNX、C# 和(为了好玩)口袋妖怪来操作 ML 模型。第一位演讲者谈到了 ONNX,一种允许跨不同框架保存和加载模型的机器学习格式,以及如何使用 .NET 操作模型。第二位演示者讨论了使用 ML.NET 创建 Pokemon 图像分类器并展示了如何对其进行操作以进行部署。总体而言,该视频很好地概述了使用 ONNX 和 C# 操作机器学习模型。
机器学习社区站会 - 使用 PyTorch ONNX 进行深度学习
机器学习社区站会 - 使用 PyTorch 和 ONNX 进行深度学习
“机器学习社区站会 - 使用 PyTorch 和 ONNX 进行深度学习”视频涵盖了与机器学习、PyTorch 和 ONNX 相关的各种主题。其中一节介绍了过度拟合以及如何使用 dropout 和交叉验证在神经网络中防止过度拟合。主持人还重点介绍了各种基于社区的机器学习项目,以及他们即将举办的有关将 .NET 与机器学习结合使用的活动。该视频还介绍了 PyTorch,这是一个流行的机器学习库,用于计算机视觉和自然语言处理,具有各种内置模块,例如 torch vision 和 transforms。演讲者解释了用于表示机器学习模型的 ONNX 格式及其用于以多种语言运行推理和训练的运行时。本教程还讨论了如何在 PyTorch 的模型动物园中使用预构建模型,并涵盖了使用 Jupyter Notebooks 和 Anaconda 调试和管理 Python 包和环境。此外,本教程还介绍了使用 ONNX 训练和导出 PyTorch 模型的详细信息,该模型可与 ONNX 运行时一起使用以提高模型的性能。
该视频还讨论了与机器学习和深度学习相关的各种主题。演讲者谈到了在 Xamarin 中使用 SkiaSharp 进行图像处理,以及设备上模型因其大小而受到的限制,但指出了拥有设备上模型的好处。他们还建议学习机器学习理论的各种资源,例如 Andrew Ng Coursera 课程,以及提供有关使用工具和库创建机器学习模型的高级信息的应用机器学习课程。还提到了在学习机器学习和将学习融入工作中时有目标的重要性。最后,演讲者暗示了听众可能感兴趣的即将到来的内容。
对象检测 Yolov7,ML.NET onnx 模型
对象检测 Yolov7,ML.NET onnx 模型
https://github.com/ptiszai/Object-Detection-yolov7-ML.NET-onnx
使用C#实时实现Yolo3
使用C#实时实现Yolo3
https://github.com/duonghb53/YoloOnCSharpGPU