c#機器學習開發者的福音，ML.NET

目前的機器學習框架很多，TensorFlow更是其中最熱門的機器框架。但是，適合C#開發者的機器學習框架卻不多，TensorFlow雖然有TensorFlowSharp供C#開發者來寫TensorFlow程序，但是按照GitHub的例子寫卻一直報錯。

但是微軟在Build 2018大會上興奮地宣布了http://ML.NET的預覽版，這是一種跨平台的開源機器學習框架。http://ML.NET將讓廣大.NET開發人員可以開發自己的模型，並且將自定義的機器學習融入到其應用程序中，無需之前擁有開發或調整機器學習模型方面的專業知識。

http://ML.NET首先是一個框架，這意味著它經擴展後可以添加流行的機器學習庫，http://ML.NET將充分利用流行的深度學習庫（比如TensorFlow、Caffe2和CNTK）以及一般的機器學習庫（比如http://Accord.NET），從而支持其他機器學習場景，比如推薦系統、異常檢測及其他方法（比如深度學習）。

今天小編測試編寫了鳶尾花的分類示例，真的好寫的感動到哭。

// 步驟2：創建管道並載入數據 var pipeline = new LearningPipeline(); // 如果在VisualStudio中工作，請確保IrIS-DATA.TXT的「複製到輸出目錄」屬性設置為「始終複製」。 string dataPath = "iris-data.txt"; pipeline.Add(new TextLoader<IrisData>(dataPath, separator: ",")); // 第3步：轉換數據 // 將數值分配給「標籤」列中的文本，因為只有在模型訓練過程中才能處理數字。 pipeline.Add(new Dictionarizer("Label")); // 將所有特徵放入向量中 pipeline.Add(new ColumnConcatenator("Features", "SepalLength", "SepalWidth", "PetalLength", "PetalWidth")); // 第4步：增加學習者 // 將學習演算法添加到流水線中。 // 這是一個分類場景（這是什麼類型的鳶尾花？） pipeline.Add(new StochasticDualCoordinateAscentClassifier()); // 將標籤轉換為原始文本（在步驟3中轉換為數字） pipeline.Add(new PredictedLabelColumnOriginalValueConverter() { PredictedLabelColumn = "PredictedLabel" }); // 第5步：根據數據集訓練模型 var model = pipeline.Train<IrisData, IrisPrediction>(); // 第6步：使用你的模型進行預測 // 你可以改變這些數字來測試不同的預測。 var prediction = model.Predict(new IrisData() { SepalLength = 3.3f, SepalWidth = 1.6f, PetalLength = 0.2f, PetalWidth = 5.1f, }); Console.WriteLine($"Predicted flower type is: {prediction.PredictedLabels}");

通過這段代碼，我覺得有點像用rapidminer的感覺，對於初級開發者來說，來給成功例子，比直接上來就手寫訓練模型來的簡單，而且容易成功！我相信，http://ML.NET陸續的也會開放自定義訓練模型，現在就一直在GitHub上跟蹤學習。

推薦閱讀：