17、ML.NET与机器学习的数学基础

ML.NET与机器学习的数学基础

1. ML.NET模型测试与迁移学习

1.1 模型测试

模型评估遵循多类分类的相同规则。若模型指标表明其性能良好，可使用以下代码查看其实际效果：

// 变量 "model" 指的是基于TF模型训练的模型
var predictor = mlContext.Model.CreatePredictionEngine<ImageData, ImagePrediction>(model);
var prediction = predictor.Predict(imageData);

预测结果包含得分类别以及每个定义类别的百分比。

1.2 迁移学习

从头开始训练模型是实现目标的最有效方法。但对于需要神经网络的复杂场景，从头训练模型成本高且需要专业技能。若问题允许一定折中，迁移学习是通向成功的强大捷径。

例如，可以利用现有的计算机视觉神经网络，并在此基础上构建自定义分类器。与训练完整网络所需的时间相比，能在短时间内（且无需专用硬件）快速构建模型。此外，迁移学习不受底层模型构建技术的限制，团队可以用Python或TensorFlow开发复杂模型，然后将其无缝导入ML.NET生态系统，或直接在.NET应用程序中使用。

1.3 ML.NET总结

ML.NET可将机器学习添加到任何.NET应用程序中。既可以在.NET代码中创建机器学习解决方案，在另一个.NET应用程序中使用序列化模型，也可以将用TensorFlow等开发的模型无缝集成到.NET客