ML.NET是一個開源的跨平臺機器學習框架，適合 .NET 開發(fā)人員。它允許將機器學習集成到 .NET 應用中，而無需離開 .NET 生態(tài)系統(tǒng)。ML.NET工具(Visual Studio 中的模型生成器 UI 和跨平臺 ML.NET CLI)，可根據您的場景和數據自動訓練自定義機器學習模型。

在八月官方發(fā)布了ML.NET 1.5 和 1.5.1 以及新版本的模型生成器。其中包括了Bug修復和功能增強，以及異常檢測和時間序列數據的新功能、TextLoader 的改進、模型生成器中圖像分類的本地 GPU 訓練等。

異常檢測和時間序列數據的新算法和功能

時序列數據是一系列數據點。時間序列數據的一個常見示例是一年中每月的產品銷售額：

機器學習中的時間序列數據有許多應用。異常檢測和預測兩種是 ML.NET 支持最多的：

• 通過異常檢測，您可以在時間序列數據中發(fā)現異常峰值。例如，您可以使用異常檢測來識別信用卡上的潛在欺詐，或者根據儀表的每日讀數確定功耗峰值。

• 使用預測，您可以使用過去的時間序列數據對未來的行為進行預測。例如，您可以預測每月銷售額，或者預測天氣。

通過 SrCnn 算法檢測完整異常

ML.NET 1.5 增加了一種新的異常檢測算法，稱為 DetectEntireAnomalyBySrCnn。此算法允許您一次檢測整個數據集的異常。相較于現有的 DetectAnomalyBySrCnn 算法，它將數據集的某些部分stream化，并圍繞檢查點查找異常。

此新算法可以更快處理任意大小的數據集，因為它可以在固定大小的批處理上進行訓練。但是由于它在內存中加載整個數據集，因此也會消耗更多的內存。如果手頭有所有數據，可以使用新的DetectEntireAnomalyBySrCnn 算法。但是，如果時間序列數據正在流式傳輸，手頭沒有全部數據，或者數據太大，無法放入內存中，您仍然可以使用以前的 DetectAnomalyBySrCnn 算法。請查看此樣本，了解如何使用 DetectEntireAnomalyBySrCnn 算法。

根源檢測

此更新還添加了根源檢測，這是一個可以識別哪些輸入可能導致異常的特性。例如，說您有西雅圖的住房數據，其中一個房源在8月6日顯示異常高的價格。使用根源檢測，您可能會發(fā)現鄰域和物業(yè)類型是導致異常高價格的因素。1.5.1 更新還增加了定義根源分析閾值的能力，該閾值可能會影響選擇哪些要素作為根本原因。

下面的代碼顯示了如何實現根源檢測和打印結果(完整的示例可在這里找到)。

// Create a new ML context for ML.NET operationsvar mlContext = new MLContext();// Create a root cause localization input instance
DateTime timestamp = GetTimestamp();var data = new RootCauseLocalizationInput(timestamp, GetAnomalyDimension(), new List(){ new MetricSlice(timestamp, GetPoints())
}, AggregateType.Sum, AGG_SYMBOL);// Get the root cause localization result
RootCause prediction = mlContext.AnomalyDetection.LocalizeRootCause(data);// Print the localization resultint count = 0;foreach (RootCauseItem item in prediction.Items)
{
count++;
Console.WriteLine($"Root cause item #{count} ...");
Console.WriteLine($"Score: {item.Score}, Path: {String.Join(" ",item.Path)}, Direction: {item.Direction}, Dimension:{String.Join(" ", item.Dimension)}");
}//Item #1 ...//Score: 0.26670448876705927, Path: DataCenter, Direction: Up, Dimension:[Country, UK] [DeviceType, ##SUM##] [DataCenter, DC1]

時間序列季節(jié)性和去季節(jié)性

1.5.1 更新還增加了處理時間序列數據的新功能，包括季節(jié)性檢測和在異常檢測之前對季節(jié)性數據進行非季節(jié)性化的能力。例如您有過去 5 年的銷售數據，您注意到在有假日的月份銷售額總是會上升。通常這種銷售額的高峰將算作異常，但現在您可以使用 ML.NET 的季節(jié)性檢測功能，用于識別這種月度發(fā)生，并在異常檢測分析之前根據季節(jié)性情況對數據進行規(guī)范化，以便它不會顯示為異常。

用于排名場景的自動ML

雖然 ML.NET 支持排名場景有一段時間，但現在也增加了本地 AutoML 支持。這意味著您不必擔心選擇算法或手動調整算法設置，相反您只需選擇排名場景并輸入數據，AutoML 將根據您的輸入為您提供最佳模型。目前您可以使用 Auto ML.NET API 進行排名實驗，不久將會把 AutoML Ranking 添加到 ML.NET CLI。

下面的代碼顯示了如何使用 Auto ML.NET API 創(chuàng)建排名實驗并打印結果(完整的示例可在這里找到)。

MLContext mlContext = new MLContext();// Load data
IDataView trainDataView = mlContext.Data.LoadFromTextFile(TrainDataPath, hasHeader: true, separatorChar: ',');// Run AutoML Ranking experiment
ExperimentResult experimentResult = mlContext.Auto()
.CreateRankingExperiment(new RankingExperimentSettings(){
MaxExperimentTimeInSeconds = ExperimentTime })
.Execute(trainDataView, testDataView, new ColumnInformation(){ LabelColumnName = LabelColumnName, GroupIdColumnName = GroupColumnName });// Print metric from best model
RunDetail bestRun = experimentResult.BestRun;
Console.WriteLine($"Total models produced: {experimentResult.RunDetails.Count()}");
Console.WriteLine($"Best model's trainer: {bestRun.TrainerName}");
Console.WriteLine($"Metrics of best model from validation data --");
PrintMetrics(bestRun.ValidationMetrics);

文本加載器的更新

1.5 更新還改進了文本加載器體驗，其中包括添加以下功能：

• 使文本加載器能夠接受引用字段中的新行。

• 支持逃生圖表。

• 將公共通用方法添加到接受 Options 對象的 TextLoader 目錄中。

• 文本加載器中的十進制標記選項。

您可以在ML.NET 1.5 和 1.5.1 發(fā)行說明中查看有關此版本的更多更新。

使用 ML.NET 模型生成器用于圖像分類的本地 GPU 訓練

現在您可以通過 Visual Studio 中的模型生成器利用本地 GPU 進行更快的圖像分類訓練。我們使用7.7萬張圖像的數據集測試了本地訓練。將 CPU 與 GPU 進行比較，我們得到了以下結果：

打開模型生成器并選擇圖像分類場景，現在將看到本地 GPU 訓練的第三個選項(除了本地 CPU 訓練和 Azure 訓練)。

選擇本地 (GPU) 作為訓練環(huán)境后，可以檢查計算機是否與模型生成器 UI 中的 GPU 訓練兼容。

兼容性要求包括：

在可視化ML.NET市場或VS 中的擴展管理器中安裝模型生成器 GPU 支持擴展。

與 CUDA 兼容的 GPU。

安裝 CUDA v10.0(確保獲得 v10.0，而不是任何較新版本 - 不能安裝多個版本的 CUDA)。

為CUDA 10.0 安裝 cuDNN v7.6.4(不能安裝多個版本的 cuDNN)。

目前，模型生成器可以檢查您是否安裝了與 CUDA 兼容的 GPU 和 GPU 擴展。但是它尚無法檢查您是否具有 CUDA 和 cuDNN 的正確版本。我們正在努力在將來的版本中添加此兼容性檢查。

沒有與 CUDA 兼容的 GPU，但仍想要更快的訓練？您可以在 Azure 中進行，例如通過在模型生成器中選擇 Azure 訓練環(huán)境以使用 Azure ML，或者使用 GPU 創(chuàng)建 Azure VM 并使用模型生成器的本地 GPU 選項進行訓練。

您可以閱讀有關如何在"文檔"中設置 GPU ML.NET。

模型生成器中的反饋按鈕

現在，為使模型生成器打開 GitHub 問題變得更加容易。我們添加了"反饋"按鈕，以便您開始提交 Bug 或從 Visual Studio 中的 UI 中建議功能。

選擇"報告 Bug"或"建議功能"將在瀏覽器中打開 GitHub，并填寫相應的模板。

入門和資源

開始學習ML.NET并了解有關 Microsoft 文檔中ML.NET模型生成器。

• ML.NET API：github.com/dotnet/machinelearning

• ML.NET工具(模型構建器ML.NET和ML.NET CLI)：github.com/dotnet/machinelearning-modelbuilder

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的sqlserv已生成用于更新的结果集。_ML.NET API 和工具八月更新的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。