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

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

ML.NET最初是在微軟研究中心開發(fā)而它的，在過去的十年已發(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。

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

ML.NET首先是一個框架，這意味著它經(jīng)擴展后可以添加流行的機器學(xué)習(xí)庫，比如TensorFlow、Accord.NET和CNTK。我們致力于將開發(fā)ML.NET的內(nèi)部功能方面的全部經(jīng)驗帶給開源界的ML.NET。

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

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

ML.NET還允許采用代碼優(yōu)先的方法，補充了Azure機器學(xué)習(xí)和認知服務(wù)提供的體驗，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；今天的代碼倉庫包含用于模型訓(xùn)練和使用的.NET C# API，以及許多常見的機器學(xué)習(xí)任務(wù)（如回歸和分類）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、評估和操作化等過程中將機器學(xué)習(xí)融入到.NET應(yīng)用程序中。

ML.NET本身支持機器學(xué)習(xí)各方面所需要的類型和運行時環(huán)境，包括核心數(shù)據(jù)類型、可擴展流水線、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就可以通過單一的共享式API來加以使用。

安裝入門

想開始使用ML.NET，請使用下列命令從CLI來安裝ML.NETNuGet：

從軟件包管理器來安裝：

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

借助ML.NET實現(xiàn)情緒分類

訓(xùn)練您自己的模型

這個簡單的代碼片段用來訓(xùn)練情緒分類模型（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）。

讓我們更詳細地討論這個方面。我們創(chuàng)建了一個LearningPipeline，它將負責(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)練機器學(xué)習(xí)模型所需要的幾個步驟，該模型讓我們得以拿來輸入數(shù)據(jù)后輸出預(yù)測結(jié)果。

這條流水線的第一部分是TextLoader，它將來自我們訓(xùn)練文件的數(shù)據(jù)加載到流水線。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)字向量可以被機器學(xué)習(xí)算法所使用（因為它無法接受文本輸入）。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中的決策樹學(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)測標簽轉(zhuǎn)換回成原始值/格式。

pipeline.Train()訓(xùn)練流水線（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。

將經(jīng)過訓(xùn)練的模型用于預(yù)測

為了得到預(yù)測結(jié)果，我們對新數(shù)據(jù)使用model.Predict()。請注意，輸入數(shù)據(jù)是一個字符串，模型包含特征化，所以我們的流水線在訓(xùn)練和預(yù)測期間都保持同步。我們不必編寫專門用于預(yù)測的預(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：

另外的機器學(xué)習(xí)任務(wù)和場景

使用TensorFlow和CNTK的深度學(xué)習(xí)

ONNX支持

在Azure上橫向擴展

更好的GUI，以簡化機器學(xué)習(xí)任務(wù)

與VS工具集成，用于AI

針對.NET的語言創(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)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754