有关 ML.NET 深度学习的计划

ML.NET 最需要的功能之一是能够从零开始创建神经网络模型，以便在 ML.NET 中进行深度学习。ML.NET 团队已经采纳了用户调研的反馈，并制定了开始实施此功能的计划。

ML.NET 深度学习的现状

目前，ML.NET 没有一种方法可以创建神经网络，从零开始建立深度学习模型。然而，对于采用现有的深度学习模型并将其用于预测，框架给予极大的支持。如果您有 TensorFlow 或 ONNX 模型，则这些模型可用于 ML.NET 进行预测。

ML.NET 对迁移学习也有很好的支持。这允许您获取自己的数据，并针对预先训练的模型进行训练，以便为您提供自己的模型。

但是如前所述，ML.NET 尚不能让您从零开始创建自己的深度学习模型。让我们来看看有什么计划。

ML.NET 在 GitHub 代码仓库中，最近提交了一个 issue，即在 ML.NET 实施创建深度学习模型的计划。

原因有二：

本文触及的主要要点，你可以通过这个 issue 给出任何反馈或问题，帮助 ML.NET 团队规划或实施计划。

该 issue 详细介绍了三个部分，以便在 ML.NET 中提供创建深度学习模型：

让我们更详细地逐个讨论。

虽然您目前可以在 ML.NET 中使用 ONNX 模型，但您必须了解输入和输出名称才能使用它。现在，我们依靠 Netron 应用程序加载 ONNX 模型，为我们提供输入和输出名称。虽然这还不错，但团队希望公开从内部获取这些的方法，而不必依赖单独的应用程序。

当然，随着获得 ONNX 模型输入和输出名称的新方法，文档肯定会更新以反映这一点。我相信不仅是文档，还会有示例来说明如何做到这一点。

TorchSharp 是 ML.NET 进行深度学习的核心。与 Tensorfow.NET支持在 ML.NET 中用 TensorFlow 模型完成评分任务类似，它将提供对 Python 库的访问。PyTorch 在研究和行业中建立深度学习模型非常常见，因此作为 ML.NET 的底层是有意义的。

事实上，建立深度学习模式的热门库之一是 FastAI。FastAI 是学习深度学习的最佳课程之一。然而在引擎覆盖下，FastAI 使用PyTorch 来实际构建它生产的模型，这不是偶然的。FastAI 开发人员认为 PyTorch 是达成简化的最佳途径。

TensorFlow 非常适合使用现有模型预测，但对于从零开始构建新模型，我真的认为 PyTorch 和 TorchSharp 是首选方式。要做到这一点，TorchSharp 将帮助 ML.NET 成为引领者。

从零开始训练深度学习模型最后阶段是，一旦 TorchSharp 训练就绪，用 ML.NET 能够创建一个高阶的 API。这是基于 TensorFlow 的 API，以帮助构建模型更容易。我相信 ML.NET 能用 TorchSharp 做到这一点。

这是绝对值得一试的重大任务。这是用 API 来建立模型的最佳方式。从长远来看，让我们以最琐碎又耗时的方式构建我们的模型是值得的，结果上看这将使我们更有生产力。

从零开始创建深度学习模型是迄今为止 ML.NET 最需要的功能之一，他们推出如此计划肯定会达到这个目标。事实上，我认为它会超过这个目标，因为它已经在考虑使用 PyTorch 作为后端，这是研究和行业领域所趋。