ImageLoadingEstimator Klasse
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
public sealed class ImageLoadingEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Data.ImageLoadingTransformer>type ImageLoadingEstimator = class
inherit TrivialEstimator<ImageLoadingTransformer>Public NotInheritable Class ImageLoadingEstimator
Inherits TrivialEstimator(Of ImageLoadingTransformer)- Vererbung
Hinweise
Schätzeigenschaften
| Muss dieser Schätzer die Daten untersuchen, um seine Parameter zu trainieren? | No |
| Eingabespaltendatentyp | Text |
| Ausgabespaltendatentyp | MLImage |
| Erforderliches NuGet zusätzlich zu Microsoft.ML | Microsoft.ML.ImageAnalytics |
| Exportierbar in ONNX | No |
Das Ergebnis ImageLoadingTransformer erstellt eine neue Spalte, die gemäß der Angabe in den Parametern für die Ausgabespalte benannt ist, und lädt in ihr Bilder, die in der Eingabespalte angegeben sind. Laden ist der erste Schritt von fast jeder Pipeline, die Bildverarbeitung durchführt, und eine weitere Analyse von Bildern. Die zu ladenden Bilder müssen in den von MLImage der Implementierung unterstützten Formaten vorliegen. Die End-to-End-Bildverarbeitungspipeline und Szenarien in Ihren Anwendungen finden Sie in den Beispielen im GitHub-Repository machinelearning-Samples.
Im Abschnitt "Siehe auch" finden Sie Links zu Verwendungsbeispielen.
Methoden
| Name | Beschreibung |
|---|---|
| Fit(IDataView) |
IEstimator<TTransformer> für die ImageLoadingTransformer. (Geerbt von TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Gibt das SchemaShape Schema zurück, das vom Transformator erzeugt wird. Wird für die Schemaverteilung und Überprüfung in einer Pipeline verwendet. |
Erweiterungsmethoden
| Name | Beschreibung |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgeschalteten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Zwischenspeicherprüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Geben Sie bei einer Schätzung ein Wrapping-Objekt zurück, das eine Stellvertretung aufruft, sobald Fit(IDataView) sie aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen zu dem, was passt, zurückgeben, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt und nicht nur ein allgemeines ITransformerObjekt zurückgibt. IEstimator<TTransformer> Gleichzeitig werden jedoch oft in Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern bauen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten wollen, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode einen Delegat anfügen, der aufgerufen wird, sobald "Fit" aufgerufen wird. |