ML.NET是一款面向.NET开发人员的开源，跨平台机器学习框架，可以将自定义机器学习集成到.NET应用中。我们很开心地向您介绍我们在过去几个月中所做的工作。
AutoML更新
自动化机器学习(AutoML)通过更容易地为您适合的场景和数据集找到最佳算法，从而使该过程自动化。AutoML是支持模型生成器和ML.NET CLI训练经验的后端。去年，我们宣布在我们的模型生成器和基于神经网络智能 (NNI) 的 ML.NET CLI 工具以及 Microsoft Research 的快速轻量级 AutoML (FLAML) 技术中对 AutoML 实施进行了更新。与之前的解决方案相比，这些更新提供了一些好处和改进，包括:
- 探索的模型数量增加。
- 提高了超时错误率。
- 改进的性能指标(例如，准确性和r平方)。
我们很兴奋地宣布，我们已经将AutoML的NNI / FLAML实现集成到ML.NET框架中，这样你就可以从代码优先的体验中使用它们。
要开始使用AutoML API，请使用ML.NET daily feed安装Microsoft.ML和Microsoft.ML.Auto NuGet包的微软最新的预发布版本。
实验的API 实验是训练或试验的集合。每次试验都会产生关于自身的信息，例如:
- 评估指标:用于评估模型的预测能力的指标。
- 流水线:用于训练模型的算法和超参数。
实验API为AutoML提供了一组默认值，使您更容易将其添加到训练管道中。
// 配置AutoML管道 var experimentPipeline = dataPrepPipeline .Append(mlContext.Auto().Regression(labelColumnName: "fare_amount")); // 配置实验 var experiment = mlContext.Auto().CreateExperiment() .SetPipeline(experimentPipeline) .SetTrainingTimeInSeconds(50) .SetDataset(trainTestSplit.TrainSet, validateTestSplit.TrainSet) .SetEvaluateMetric(RegressionMetric.RSquared, "fare_amount", "Score"); // 运行实验 var result = await experiment.Run();
在这个代码片段中，dataprepipeline是一系列转换，用于将数据转换为适合训练的格式。训练回归模型的AutoML组件被附加到该管道上。同样的概念也适用于其他受支持的场景，比如分类。
定义了管道和实验之后，调用Run方法开始训练。
▌搜索空间和可清除估计器 如果需要对超参数搜索空间有更多的控制，可以定义搜索空间，并使用可清除的估计器将其添加到训练管道中。
// 配置搜索空间
var searchSpace = new SearchSpace();
// 初始化估计器管道
var sweepingEstimatorPipeline =
dataPrepPipeline
.Append(mlContext.Auto().CreateSweepableEstimator((context, param) =>
{
var option = new LightGbmRegressionTrainer.Options()
{
NumberOfLeaves = param.NumberOfLeaves,
NumberOfIterations = param.NumberOfTrees,
MinimumExampleCountPerLeaf = param.MinimumExampleCountPerLeaf,
LearningRate = param.LearningRate,
LabelColumnName = "fare_amount",
FeatureColumnName = "Features",
HandleMissingValue = https://www.it610.com/article/true
};
return context.Regression.Trainers.LightGbm(option);
}, searchSpace));
搜索空间定义了用于搜索的超参数范围。
可清理评估器使您能够像使用其他评估器一样使用ML.NET管道中的搜索空间。
要创建和运行实验，您需要使用CreateExperiment和run方法的相同过程。
模型生成器和ML.NET CLI更新 我们已经对模型生成器和ML.NET CLI做了几个更新。其中我想强调的两个是:
- 时间序列预测场景的模型生成器
- .NET CLI的新版本
- 预测产品需求
- 能源消费预测
作为这些努力的结果，我们很高兴地与大家分享，您现在可以在模型生成器中训练时间序列预测模型。
文章图片
下载或更新到模型生成器的最新版本，开始训练您的时间序列预测模型。
▌ML.NET CLI的新版本 ML.NET CLI是我们的跨平台.NET全局工具，它利用AutoML在运行Windows、MacOS和Linux的x64和ARM64设备上训练机器学习模型。几个月前，我们发布了ML.NET CLI的新版本，它带来了:
- .NET 6 支持
- 支持 ARM64 架构
- 新场景
图像分类（针对 x64 架构）
建议
预测
Notebooks的键盘快捷键 Interactive Notebooks广泛应用于数据科学和机器学习。它们对于数据探索和准备、实验、模型解释和教育都很有用。
去年10月，我们发布了基于.NET Interactive的Visual Studio Notebook Editor扩展。在过去的几个月里，我们一直在改进性能和稳定性。
在我们的最新版本中，我们通过启用键盘快捷键让您无需离开键盘就能更轻松地工作。如果你以前使用过notebooks，你应该对其中的许多快捷方式很熟悉。
文章图片
执行/运行单元格，并将焦点向下移动
表中的键是大写的，但大写不是必需的。
安装最新版本的Notebook编辑器，并开始在Visual Studio中创建Notebook。
ML.NET的下一个目标是什么? 我们正积极朝着路线图中所概述的领域努力。
▌深度学习 几个月前，我们分享了深度学习的计划。该计划的很大一部分围绕着改善ONNX的消费体验，并通过TorchSharp(一个提供对驱动PyTorch的库的访问的.NET库)实现新的场景。我们在实现这一计划方面取得的一些进展包括:
为ONNX推断启用全局GPU标志。在此更新之前，当你想使用GPU对ONNX模型进行推断时，ApplyOnnxModel转换中的FallbackToCpu和GpuDeviceId标志没有被保存为管道的一部分。因此，每次都必须安装管道。我们已经使这些标志可作为MLContext的一部分访问，因此您可以将它们保存为模型的一部分。
TorchSharp 面向 .NET 标准。TorchSharp最初的目标是.NET 5。作为我们将TorchSharp集成到ML.NET的工作的一部分，我们更新为TorchSharp面向.NET标准。
在接下来的几周里，我们很高兴与大家分享我们在TorchSharp与ML.NET集成方面取得的进展。
.NET DataFrame 清晰且具有代表性的数据有助于提高模型的性能。因此，理解、清理和准备训练数据的过程是机器学习工作流中的关键步骤。几年前，我们在.NET中引入了DataFrame类型，作为Microsoft.Data.Analysis NuGet包的预览。DataFrame仍处于预览阶段。我们理解使用工具来执行数据清理和处理任务是多么重要，并且已经开始组织和优先考虑反馈，因此我们解决了现有的稳定性和开发人员经验痛点。这些反馈被组织成GitHub问题的一部分。
我们创建这个跟踪问题是为了跟踪和组织反馈。如果您有任何想要与我们分享的反馈，请在描述中为个别问题投票或在跟踪问题中直接评论。
- https://pkgs.dev.azure.com/dn...
最近我们发表了一篇博客文章，指导你完成设置Azure机器学习数据集、使用ML.NET CLI训练ML.NET模型以及使用Azure Devops配置再训练管道的过程。要了解更多细节，请参阅《在Azure ML中训练ML.NET模型》一文。
入门和资源 在微软文档中详细了解 ML.NET、模型生成器和 ML.NET CLI。
如果您遇到任何问题，功能请求或反馈，请在GitHub上的ML.NET回购或ML.NET工具(Model Builder & ML.NET CLI)回购中提交问题。
文章图片
长按识别二维码
关注微软中国MSDN
【ML.NET|ML.NET 更新】点击了解更多ML.NET信息~
