为什么最新版ML.NET对.NET机器学习社区如此重要？
Posted AI前线
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了为什么最新版ML.NET对.NET机器学习社区如此重要？相关的知识，希望对你有一定的参考价值。
ML.NET 最初是作为微软研究院的一项提议进行开发的，它允许使用 C# 或 F# 开发自定义的 ML 模型。这些模型可用于情感分析、欺诈及垃圾邮件侦测、产品或电影推荐、图像分类等场景。
微软的客户 已经在使用 1.0 之前版本的 ML.NET 了。然而，新版本的框架提供了 Visual Studio 模型构建器和称为自动机器学习（AutoML）的工具。AutoML 是为 ML 初学者而设计的特性，它能根据输入的数据自动决策数据场景（例如：分类和回归）以及 ML 模型需使用的 ML 算法。作为此功能的补充，模型构建器提供了一个 UI 工具（仅限 Windows），用于在 Visual Studio 环境中构建 ML 模型。目前，这两个工具可 在 Visual Studio 预览版本上 获取。
InfoQ 采访了 ML.NET 项目管理团队的成员 Pranav Rastogi。
InfoQ: 为什么最新版的 ML.NET 对.NET 机器学习社区如此重要?
Pranav Rastogi: 最新版的 ML.NET 为开发人员使用 ML 提供了便利。作为一名 .NET 开发人员，我们可以使用 ML.NET 的 API 来构建不同的场景，比如情感分析、产品推荐、客户细分等等。但是，开发人员面临的主要挑战是 ML 入门艰难。他们需要了解使用哪个 ML 训练器，以及如何定制和优化它。AutoML 作为我们发布的最新版的一部分，简化了构建自定义 ML 模型的方式。
我们还引入了其他的工具，方便开发人员入门 ML 。此次发布版本提供了基于命令行界面（CLI）的操作支持，因此，开发人员可以使用命令行构建 ML 模型。
此外，对于 Visual Studio 用户，我们也提供了基于图形用户界面（GUI）的操作支持，方便用户将 ML 模型直接添加到他们的项目中。该操作工具名为模型构建器（Model Builder），它允许开发人员直连他们的文件并构建自定义模型。我们可以右键单击项目，选中“添加机器学习”，然后选择一个场景。数据源可以选用文件或 SQL Server 数据库，AutoML 将依据我们选择的场景为我们选择最佳的模型。在此过程中，它会尝试不同的模型和设置，最终返回给我们前五种模型概述，以及推荐的最佳模型。
完成模型选择之后，最后一步是为我们的解决方案开发代码。开发人员通常考虑使用一些工具来生成代码，却不信任它们，因为它们有魔术代码。但是，使用模型构建器，在过程结束时，开发人员将得到用于训练模型的确切代码。如果需要，还能自定义对应的代码。我们可以先在本地运行它，然后放到云上进行长时间的模型训练。我们也能轻松地将其和 DevOps 工具集成。我们可以对模型进行操作，并为任何处于休眠状态的应用程序构建自定义机器学习模型，因此，可以为 Web 应用程序、移动应用程序或桌面应用程序构建模型。
InfoQ: ML.NET 和其他 ML 框架如 TensorFlow 相比如何呢？
Rastogi:ML.NET 的主要价值在于，它是利用现有 ML 库和框架的生态系统。ML.NET 与流行框架（如 TensorFlow、.NET 版 ONNX）深度集成。在图像分类、对象检测等场景中，我们可以轻松地获取这些框架构建的模型，也可以在.NET 应用程序中使用诸如初始模型、共振模型等模型。
InfoQ: 和其他微软产品，如认知服务、Azure 机器学习工具相比，ML.NET 的定位是怎样的呢？
Rastogi: 这取决于我们现有技术栈是什么样的：如果你是一位数据科学家，那么你可能会使用基于记事本的环境，并且使用你选择的框架。Azure 机器学习提供了该项 ML 服务，方便开发人员或数据科学家在记事本上运行，然后在云上进行有效的训练。如果你是 ML 的初学者，认知服务（Cognitive Services）采用开箱即用的方案，提供了一个易用的 API。而 ML.NET 是一个为.NET 开发人员构建自定义 ML 模型的框架。
InfoQ: 您可以分享下您的团队在开发 ML.NET 时遇到的一些最具挑战性的任务吗？
Rastogi: 在该项目中，我们面临的最大挑战是如何让开发者更便捷地使用 ML。鉴于 ML 是新生的，而且许多用户对它的概念不熟悉，我们花费了大量的时间来确认 API 的名称，使其符合.NET 开发人员命名习惯，从而帮助它在生态系统中建立信任。我们做了大量的客户调研后，发现如果我们对开发人员说“你能为我建立一个二进制分类算法吗？”，他们通常不知道是什么含义。但是，如果我们从场景优先的角度出发，要求开发人员构建情绪分析，来分析客户评论，他们通常可以做到这一点，因为在 ML 中，这是一个已知的问题，可以通过将数据分为两类（A 和 B）来解决。因此，我们花了很多时间确保框架是容易理解的。默认设置是开箱即用，用户无需自定义它。
我们还花了大量时间确保我们的框架可以处理大型数据集（TB 级别），以确保整个管道可以像生产环境的应用程序一样部署。这极大地提高了开发人员的工作效率。
InfoQ: AutoML 最初是微软研究院（Microsoft Research）的一个项目，您是如何将它与 ML.NET 集成，并作为一个产品发布的呢？
Rastogi: 这是微软研究院与微软不同产品团队之间一次卓有成效的合作，是他们共同塑造了 AutoML。AutoML 是我们技术的关键部分，为开发人员提供了构建自定义 ML 模型的便捷体验。开发人员无需关心要使用哪个学习器、混合参数设置应该是什么、应该设置多少学习器、需要训练多长时间、以及特征化过程应该是什么。因此，微软的很多团队一起致力于这个研究项目，并把它推向市场。
InfoQ: 在未来.NET 开发社区可以期待哪些新特性?
Rastogi: 现在我们正在研究的是在 Visual Studio 中引入 ML.NEL 预览版功能的支持。目前在预览版中，有深度学习的一些功能和对 TensorFlow 的支持。我们将会把它们集成，同时也将改进模型构建器层，支持基于时间序列的推荐。想要随时了解最新的路线图，可以查阅我们的 GitHub 仓库。
ML.NET 支持 Windows、Linux 和 macOS 平台。由于模型构建器以 Visual Studio 扩展方式提供，故在 Windows 上使用 ML.NET 需要安装 Visual Studio 2017 15.6 版或更高版本。在 macOS 和 Linux 系统上，ML.NET 模型使用 CLI 构建，故不需要上述依赖条件。您可以 在这里 获取更多关于 ML.NET 的信息。
查看英文原文：
https://www.infoq.com/news/2019/05/ml-dotnet
你也「在看」吗？ 以上是关于为什么最新版ML.NET对.NET机器学习社区如此重要？的主要内容，如果未能解决你的问题，请参考以下文章 这次，Google 真的“造人”了；微软开源 ML.NET 跨平台机器学习框架