什么是ML.NET？
ML.NET 使你能夠在聯機或脫機場景中將機器學習添加到 .NET 應用程序中。 借助此功能，可以使用應用程序的可用數據進行自動預測。 機器學習應用程序利用數據中的模式來進行預測，而不需要進行顯式編程。
ML.NET 的核心是機器學習模型 。 該模型指定將輸入數據轉換為預測所需的步驟。 借助 ML.NET，可以通過指定算法來訓練自定義模型，也可以導入預訓練的 TensorFlow 和 ONNX 模型。
ML.NET 支持在使用 .NET Core 的 Windows、Linux 和 macOS 或使用 .NET Framework 的 Windows 上運行。 所有平台均支持 64 位。 Windows 支持 32 位，TensorFlow、LightGBM 和 ONNX 相關功能除外。
了解ML.NET模型生成器
ML.NET 模型生成器是一個直觀的圖形化 Visual Studio 擴展，用於生成、訓練和部署自定義機器學習模型。其使用自動化的機器學習 (AutoML) 來探索不同的機器學習算法和設置，以幫助找到最合適的方案。
使用模型生成器不需要具備機器學習的專業知識。 只需要一些數據，和確定要解決的問題。 模型生成器會生成將模型添加到 .NET 應用程序的代碼。
值得注意的是，目前ML.NET 模型生成器是屬於預覽版，需要先啟用此預覽功能：
接下來，我們將使用此模型生成器來生成圖片性別生成的代碼。
生成圖片性別識別的代碼
主體步驟如下所示：
1.創建控制台項目，然后添加【機器學習】
2.選擇方案，這里我們選擇【圖像分類】
當完成了第一步操作之后，我們將打開ML.NET模型生成器的UI界面。這里我們選擇【圖像分類】方案：
3.選擇訓練環境
4.添加數據
在此之前，我們需要先准備好數據。由於是做圖片分類，我們需要先准備圖片數據，並且以文件夾的形式分類，比如：
准備好圖片數據后，我們就可以在【數據】界面添加對應的文件夾了：
添加完成后，就可以看到【數據預覽】：
這里筆者准備了5000多張學生圖片，由於涉及隱私，這些數據樣本不會公開，如需要訓練可以去國外很多AI網站下載數據樣本。
5.訓練
訓練是一個自動的過程，模型生成器通過該過程教模型如何回答方案相關的問題。 訓練后，模型可以對其沒有見過的輸入數據進行預測。 例如，在預測房價時，可以預測新上市的房屋銷售價。因為模型生成器使用自動機器學習 (AutoML)，所以在訓練期間不需要任何人工輸入或微調操作。
接下來，我們【開始訓練】：
一般500M數據需要訓練大概半小時以上（具體還需視機器性能而定）：
6.評估
訓練結束后，我們就可以開始評估了。評估是衡量模型品質的過程。下面97.08的准確性已經是性能非常好的模型了，高於50%的准確性才是可以接受的模型。
如果模型性能評分不符合預期，可以：
- 延長訓練時間。 有了更多時間，自動機器學習引擎可以體驗更多算法和設置。
- 添加更多更精確的數據。 有時，數據量不足以訓練高質量的機器學習模型。對於包含少量示例的數據集，尤其如此。
- 均衡分配數據。 對於分類任務，請確保在各個類別間均勻分配訓練集。 例如，若有四個類別和 100 個訓練示例，前兩類（標記 1 和標記 2）包含 90 個記錄，而剩下兩類（標記 3 和標記 4）只包含 10 個記錄，這就存在數據不均衡的問題，可能會導致模型很難正確預測標記 3 或標記 4。
回到剛才的主題，我們可以試用剛訓練出的模型。這里筆者找了幾張數據樣本之外的圖片進行測試：
模型的准確性非常之高，我們用一張偏女性化的男性圖片進行測試：
從上面的測試結果可以看出，准確性基本上取決於數據樣本的數量和質量！
7.添加代碼
完成評估階段后，模型生成器可以輸出一份模型文件和代碼，我們可以使用該代碼將模型添加到應用程序。 ML.NET 模型保存為 zip 文件。 用於加載和使用模型的代碼會以新項目的形式添加到解決方案中。 模型生成器還會添加一個示例控制台應用，可以運行該應用來查看工作狀態下的模型。
此外，模型生成器還會輸出生成模型的代碼，以便你能了解生成模型所使用的步驟。 還可以通過模型訓練代碼使用新的數據重新訓練模型。添加代碼如下所示：
【添加】之后，在解決方案中我們就可以相關代碼了：
如上圖所示，ML.NET模型的zip文件也包含在解決方案中。
執行示例代碼
我們將【GenderRecognitionML.ConsoleApp】工程設置為啟動項目，打開示例代碼如下所示：
using System; using GenderRecognitionML.Model; namespace GenderRecognitionML.ConsoleApp { class Program { static void Main(string[] args) { // Create single instance of sample data from first line of dataset for model input ModelInput sampleData = new ModelInput() { ImageSource = @"D:\workspace\AI\GenderRecognition\數據樣本\女\20200612180307_xxx.jpg", }; // Make a single prediction on the sample data and print results var predictionResult = ConsumeModel.Predict(sampleData); Console.WriteLine("Using model to make single prediction -- Comparing actual Label with predicted Label from sample data...\n\n"); Console.WriteLine($"ImageSource: {sampleData.ImageSource}"); Console.WriteLine($"\n\nPredicted Label value {predictionResult.Prediction} \nPredicted Label scores: [{String.Join(",", predictionResult.Score)}]\n\n"); Console.WriteLine("=============== End of process, hit any key to finish ==============="); Console.ReadKey(); } } }
通過上面的示例代碼我們非常簡單了解了如何來使用模型，僅需傳入圖片路徑，即可使用模型輸出對應的圖像標簽（男、女）和准確性，我們可以運行起來，執行結果如下所示：
至此，整個教程就完成了，是不是非常簡單呢？即使我們不具備機器學習的專業知識！