摘要：微軟在大會(huì)上興奮地宣布了的預(yù)覽版，這是一種跨平臺(tái)的開(kāi)源機(jī)器學(xué)習(xí)框架。核心組件作為的一部分而發(fā)布今天的代碼倉(cāng)庫(kù)包含用于模型訓(xùn)練和使用的，以及許多常見(jiàn)的機(jī)器學(xué)習(xí)任務(wù)如回歸和分類(lèi)所需要的各種轉(zhuǎn)換和學(xué)習(xí)器。

微軟在Build 2018大會(huì)上興奮地宣布了ML.NET的預(yù)覽版，這是一種跨平臺(tái)的開(kāi)源機(jī)器學(xué)習(xí)框架。ML.NET將讓廣大.NET開(kāi)發(fā)人員可以開(kāi)發(fā)自己的模型，并且將自定義的機(jī)器學(xué)習(xí)融入到其應(yīng)用程序中，無(wú)需之前擁有開(kāi)發(fā)或調(diào)整機(jī)器學(xué)習(xí)模型方面的專(zhuān)業(yè)知識(shí)。

ML.NET最初是在微軟研究中心開(kāi)發(fā)而它的，在過(guò)去的十年已發(fā)展成為一種重要的框架；它用于微軟的許多產(chǎn)品組合中，比如Windows、Bing和Azure等。

有了這第一個(gè)預(yù)覽版，ML.NET能夠支持諸多機(jī)器學(xué)習(xí)任務(wù)，比如說(shuō)分類(lèi)（比如文本分類(lèi)和情緒分析）以及回歸（比如趨勢(shì)預(yù)測(cè)和價(jià)格預(yù)測(cè)）。除了這些機(jī)器學(xué)習(xí)功能外，ML.NET的這第一個(gè)版本還引入了訓(xùn)練模型的.NET API初稿，使用模型用于預(yù)測(cè)，還包括該框架的核心組件，比如學(xué)習(xí)算法、轉(zhuǎn)換和核心的機(jī)器學(xué)習(xí)數(shù)據(jù)結(jié)構(gòu)。

ML.NET首先是一個(gè)框架，這意味著它經(jīng)擴(kuò)展后可以添加流行的機(jī)器學(xué)習(xí)庫(kù)，比如TensorFlow、Accord.NET和CNTK。我們致力于將開(kāi)發(fā)ML.NET的內(nèi)部功能方面的全部經(jīng)驗(yàn)帶給開(kāi)源界的ML.NET。

綜上所述，ML.NET代表了我們致力于通過(guò).NET讓機(jī)器學(xué)習(xí)變得很出色。

隨著時(shí)間的推移，ML.NET將充分利用流行的深度學(xué)習(xí)庫(kù)（比如TensorFlow、Caffe2和CNTK）以及一般的機(jī)器學(xué)習(xí)庫(kù)（比如Accord.NET），從而支持其他機(jī)器學(xué)習(xí)場(chǎng)景，比如推薦系統(tǒng)、異常檢測(cè)及其他方法（比如深度學(xué)習(xí)）。

ML.NET還允許采用代碼優(yōu)先的方法，補(bǔ)充了Azure機(jī)器學(xué)習(xí)和認(rèn)知服務(wù)提供的體驗(yàn)，并支持應(yīng)用程序本地部署以及自行構(gòu)建模型的功能。

ML.NET核心組件

ML.NET作為.NET Foundation的一部分而發(fā)布；今天的代碼倉(cāng)庫(kù)包含用于模型訓(xùn)練和使用的.NET C# API，以及許多常見(jiàn)的機(jī)器學(xué)習(xí)任務(wù)（如回歸和分類(lèi)）所需要的各種轉(zhuǎn)換和學(xué)習(xí)器。

ML.NET旨在提供E2E工作流程，以便在預(yù)處理、特征工程、建模、評(píng)估和操作化等過(guò)程中將機(jī)器學(xué)習(xí)融入到.NET應(yīng)用程序中。

ML.NET本身支持機(jī)器學(xué)習(xí)各方面所需要的類(lèi)型和運(yùn)行時(shí)環(huán)境，包括核心數(shù)據(jù)類(lèi)型、可擴(kuò)展流水線(xiàn)、高性能數(shù)學(xué)、面向異構(gòu)數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)和工具支持等。

下面這張表顯示了作為ML.NET 0.1的一部分發(fā)布的完整組件列表。

我們旨在讓ML.NET的API具有通用性，那樣CNTK、Accord.NET和TensorFlow等其他框架以及其他庫(kù)就可以通過(guò)單一的共享式API來(lái)加以使用。

安裝入門(mén)

想開(kāi)始使用ML.NET，請(qǐng)使用下列命令從CLI來(lái)安裝ML.NETNuGet：

從軟件包管理器來(lái)安裝：

您可以直接從https://github.com/dotnet/machinelearning來(lái)構(gòu)建框架。

借助ML.NET實(shí)現(xiàn)情緒分類(lèi)

訓(xùn)練您自己的模型

這個(gè)簡(jiǎn)單的代碼片段用來(lái)訓(xùn)練情緒分類(lèi)模型（完整的代碼片段可在此：https://github.com/dotnet/machinelearning/blob/master/test/Microsoft.ML.Tests/Scenarios/Scenario3_SentimentPrediction.cs找到）。

讓我們更詳細(xì)地討論這個(gè)方面。我們創(chuàng)建了一個(gè)LearningPipeline，它將負(fù)責(zé)封裝數(shù)據(jù)加載、數(shù)據(jù)處理/特征化和學(xué)習(xí)算法。這些是訓(xùn)練機(jī)器學(xué)習(xí)模型所需要的幾個(gè)步驟，該模型讓我們得以拿來(lái)輸入數(shù)據(jù)后輸出預(yù)測(cè)結(jié)果。

這條流水線(xiàn)的第一部分是TextLoader，它將來(lái)自我們訓(xùn)練文件的數(shù)據(jù)加載到流水線(xiàn)。然后，我們使用TextFeaturizer將SentimentText列轉(zhuǎn)換成名為Features的數(shù)字向量，該數(shù)字向量可以被機(jī)器學(xué)習(xí)算法所使用（因?yàn)樗鼰o(wú)法接受文本輸入）。這是我們的預(yù)處理/特征化步驟。

FastTreeBinaryClassifier是我們將用于該流水線(xiàn)中的決策樹(shù)學(xué)習(xí)器。就像特征化步驟那樣，嘗試ML.NET中不同的學(xué)習(xí)器并更改其參數(shù)有望找到更好的結(jié)果。 PredictedLabelColumnOriginalValueConverter將模型的預(yù)測(cè)標(biāo)簽轉(zhuǎn)換回成原始值/格式。

pipeline.Train()訓(xùn)練流水線(xiàn)（加載數(shù)據(jù)、訓(xùn)練特征器和學(xué)習(xí)器）。直到這一步發(fā)生后，才執(zhí)行試驗(yàn)。

將經(jīng)過(guò)訓(xùn)練的模型用于預(yù)測(cè)

為了得到預(yù)測(cè)結(jié)果，我們對(duì)新數(shù)據(jù)使用model.Predict()。請(qǐng)注意，輸入數(shù)據(jù)是一個(gè)字符串，模型包含特征化，所以我們的流水線(xiàn)在訓(xùn)練和預(yù)測(cè)期間都保持同步。我們不必編寫(xiě)專(zhuān)門(mén)用于預(yù)測(cè)的預(yù)處理/特征化代碼。

前方的道路

我們渴望將許多功能添加到ML.NET中，但我們很想了解哪些功能最適合您的要求。目前我們正在探索的領(lǐng)域包括：

另外的機(jī)器學(xué)習(xí)任務(wù)和場(chǎng)景

使用TensorFlow和CNTK的深度學(xué)習(xí)

ONNX支持

在Azure上橫向擴(kuò)展

更好的GUI，以簡(jiǎn)化機(jī)器學(xué)習(xí)任務(wù)

與VS工具集成，用于AI

針對(duì).NET的語(yǔ)言創(chuàng)新

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉(cāng)庫(kù)，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754