#MLNET – ML.Net 0.5 con soporte para #TensorFlow

Buenas!

Nueva version de Machine Learning .Net y esta vez la novedad principal es la capacidad de utilizar modelos de TensorFlow en ML.Net.

Durante el proceso de creación de una Pipeline, ahora podemos utilizar modelos frezados de TF y utilizar los mismos para entrenar un modelo y realizar predicciones. En una aplicación de Consola, al momento de agregar los paquetes de ML.Net podemos ver una serie nueva de paquetes para trabajar con TensorFlow

01 ms ml tensor flow

El siguiente código es la mejor forma de entender como funciona una Pipeline con un modelo de TF. En la definición de la misma se utilizan un par de trainers para cargar y modificar imágenes; y luego en la línea 40 se carga el modelo para su utilización.

	using System;
	using System.IO;
	using Microsoft.ML;
	using Microsoft.ML.Runtime.Api;
	using Microsoft.ML.Trainers;
	using Microsoft.ML.Transforms;

	namespace MLNetConsole10
	{
	class Program
	{
	static void Main(string[] args)
	{
	const int imageHeight = 32;
	const int imageWidth = 32;
	const string modelLocation = "cifar_model/frozen_model.pb";
	const string dataFile = "images/images.tsv";
	var imageFolder = Path.GetDirectoryName(dataFile);

	var pipeline = new LearningPipeline();
	pipeline.Add(new Microsoft.ML.Data.TextLoader(dataFile).CreateFrom<CifarData>());
	pipeline.Add(new ImageLoader(("ImagePath", "ImageReal"))
	{
	ImageFolder = imageFolder
	});

	pipeline.Add(new ImageResizer(("ImageReal", "ImageCropped"))
	{
	ImageHeight = imageHeight,
	ImageWidth = imageWidth,
	Resizing = ImageResizerTransformResizingKind.IsoCrop
	});

	pipeline.Add(new ImagePixelExtractor(("ImageCropped", "Input"))
	{
	UseAlpha = false,
	InterleaveArgb = true
	});

	pipeline.Add(new TensorFlowScorer()
	{
	ModelFile = modelLocation,
	InputColumns = new[] { "Input" },
	OutputColumn = "Output"
	});

	pipeline.Add(new ColumnConcatenator("Features", "Output"));
	pipeline.Add(new TextToKeyConverter("Label"));
	pipeline.Add(new StochasticDualCoordinateAscentClassifier());

	var model = pipeline.Train<CifarData, CifarPrediction>();
	model.TryGetScoreLabelNames(out var scoreLabels);

	Console.WriteLine($"ScoreLabels.Length {scoreLabels.Length}");
	Console.WriteLine($"banana {scoreLabels[0]}");
	Console.WriteLine($"hotdog {scoreLabels[1]}");
	Console.WriteLine($"tomato {scoreLabels[2]}");

	var prediction = model.Predict(new CifarData()
	{
	ImagePath = "images/banana.jpg"
	});
	Console.WriteLine($"{prediction.PredictedLabels[0]}");
	Console.WriteLine($"{prediction.PredictedLabels[1]}");
	Console.WriteLine($"{prediction.PredictedLabels[2]}");

	}
	}

	public class CifarData
	{
	[Column("0")]
	public string ImagePath;

	[Column("1")]
	public string Label;
	}

	public class CifarPrediction
	{
	[ColumnName("Score")]
	public float[] PredictedLabels;
	}
	}

view raw

MLNetTensorFlow.cs

hosted with ❤ by GitHub

En este momento el archivo [cifar_model/frozen_model.pb] no es parte del repositorio de ML.Net. Si quieres probar el código, puedes descargar una version de prueba desde https://github.com/deeplearning4j/dl4j-test-resources/tree/master/src/main/resources/tf_graphs/examples/yolov2_608x608

02 mlnet cifar pb

Happy Coding!

Saludos @ Toronto

El Bruno

References

My Posts

Share this:

Like this:

Related

Leave a comment Cancel reply