【de:code 2020】 Azure Machine Learning Studio と Python と C#/.NET によるディープラーニングのサンプル/チュートリアル

■ 概要:

Microsoft de:code 2020 で提供されるサンプルコードとチュートリアルです。

ローカルコンピューターまたは Microsoft Azure 上で Python による機械学習/ディープラーニングのモデルを作成し、.NET の ML.NET で C# から利用してみましょう。

チュートリアル形式で、順に説明していきます。

Visual Studio で話題の Keras と TensorFlow を使って Python で機械学習/ディープラーニングをやってみよう
Azure Machine Learning を使ってクラウド上で機械学習してみよう
ML.NET を使って学習済みのモデルを使ったアプリケーションを作ってみよう

機械学習/ディープラーニングのモデルを作成するところから、.NET アプリケーションで使うまでの手順を、実際に手を動かしながら学ぶことができます。

※ この内容は、2020年6月9日時点のものです。

■ プロジェクト:

本サンプルは、以下の2つのプロジェクトからなっています。

1. mnist.python

Python による手書き文字のディープラーニングのサンプルプログラムです。 Visual Studio からコンソールで実行できます。また、後述する Azure Machine Learning Studio (Preview) を使って Azure 上の Jupyter notebook で実行することもできます。

学習済みのモデルを ONNX (Open Neural Network Exchange) 形式などでファイル出力します。

ライブラリとして、TensorFlow や Keras、keras2onnx を利用しています。

学習用のデータとしては、MNIST (*) を利用しています。

(*) MNIST (Mixed National Institute of Standards and Technology database) は、手書き数字「0〜9」の画像60,000枚と、テスト画像10,000枚を集めた、画像分類問題で人気の高い画像のデータセットです。機械学習の入門のデータセットとしてもよく使われています。

ソースコード	説明
mnist.py	Python によるディープラーニングプログラム

2. Mnist.CSharp

上記 mnist.python　で作成した ONNX のファイルを C#/.NET で読み込んで、手書き文字データを認識してみるサンプルです。

ライブラリとして、Microsoft.ML.OnnxRuntime を利用しています。

ソースコード/ファイル	クラス	説明
Program.cs	Program	Main ルーチン
MnistInferer.cs	MnistInferer	手書き数字推論器
EnumerableExtension.cs	EnumerableExtension	汎用拡張メソッド
assets/mnist_model.onnx	---	学習済みモデル (ONNX 形式ファイル)

■ チュートリアル:

それでは、プログラムを作っていきましょう。開発環境は、Visual Studio と Azure Machine Learning Studio です。

1. Visual Studio で話題の Keras と TensorFlow を使って Python で機械学習/ディープラーニングをやってみよう

まずは、Visual Studio で Python を使えるようにしましょう。スタートメニューなどから、Visual Studio Installer を起動します。

1.1 「Python 開発」にチェックを入れて、「変更」します。

1.2 Visual Studio を起動し、新しいプロジェクトとして「Python アプリケーション」を作成します。

1.3 プロジェクトが出来上がったら、Python のライブラリーを追加します。

「ソリューションエクスプローラー」でプロジェクトの「Python 環境」の中を右クリックし、「Python パッケージの管理」を選択します。

先ほど右クリックした Python 環境に Python のライブラリーを3つ追加していきます。先ずは、TensorFlow です。

1.4 検索窓に tensorflow と入力し、「次のコマンドを実行する: pip install tensorflow」をクリックします。

1.5 同様に、Keras をインストールします。

1.6 最後に、keras2onnx をインストールします。

開発環境は以上で整いました。

※ 本サンプルコードでの、Python とライブラリーのバージョンは以下のようになっています:

Python のバージョン: 3.7
各ライブラリのバージョン:
- TensorFlow 2.1.0
- Keras 2.2.4-tf
- keras2onnx 1.6.1

コードを書いていきましょう。

1.7 プロジェクトの中にある Python のソースコードファイル (拡張子が .py のファイル) を開け、 mnist.py の中のコードに置き換えます。

処理の内容については、ソースコードをご参照ください。

#mnist.py
#MNIST ディープ ラーニング プログラム

#以下のようにライブラリのインポートが必要
#pip install tensorflow
#pip install keras
#pip install keras2onnx

#Python のバージョン
#3.7

#各ライブラリのバージョン:
#TensorFlow 2.1.0
#Keras 2.2.4-tf
#keras2onnx 1.6.1

#ライブラリのインポート
import tensorflow
from tensorflow import keras
import matplotlib.pyplot as plot
import time
import os
os.environ['TF_KERAS'] = '1'
import keras2onnx
import onnx

#主要ライブラリのバージョンの確認
tensorflow.__version__

keras.__version__

keras2onnx.__version__

#手書き文字データ (学習用、テスト用) の読み込み
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()


#手書き文字データの確認
len(x_train)

x_train[0:10]

x_train[0]

len(x_test)

len(y_test)

#学習用データを10だけ描画
for index in range(10):
    plot.subplot(2, 5, index + 1)
    plot.title("Label: " + str(index))
    plot.imshow(x_train[index].reshape(28, 28), cmap = None)

#0～255のデータを0.0～1.0の範囲に変換
max_value = 255
x_train, x_test = x_train / max_value, x_test / max_value

#変換後のデータを確認
x_train[0]

#ディープ ラーニングの各レイヤーを設定したモデルを作成
model = keras.models.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(512),
    keras.layers.Activation('relu'),
    keras.layers.Dense(512),
    keras.layers.Activation('relu'),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(10),
    keras.layers.Activation('softmax')
])

#モデルをコンパイル
model.compile(optimizer = 'adam', loss = 'sparse_categorical_crossentropy', metrics=['accuracy'])

#モデルを訓練
model.fit(x_train, y_train, epochs = 20)

#モデルの評価
model.evaluate(x_test, y_test)

#テスト データの確認
y_test[0:10]

x_test[0:10]

#テスト データを10だけ描画
for index in range(10):
    plot.subplot(2, 5, index + 1)
    plot.title("Label: " + str(index))
    plot.imshow(x_test[index].reshape(28, 28), cmap = None)

#予想の結果
predict_results = model.predict(x_test[0:10])
predict_results

predict_result_list = list(map(lambda result: result.argmax(), predict_results))
predict_result_list

#モデルの概要の確認
model.summary()

#モデル保存用のフォルダーのパス
saved_model_path = "./saved_models/{}".format(int(time.time()))
saved_model_path

#モデルを TensorFlow のフォーマットで保存する
tensorflow.keras.models.save_model(model, saved_model_path, save_format="tf")

#モデルを Keras のフォーマットで保存する
model.save(saved_model_path + '/mnist_model.h5')

#ONNXフォーマットに変換
onnx_model = keras2onnx.convert_keras(model, model.name)

#モデルをONNXフォーマットで保存する
onnx_model_file = saved_model_path + '/mnist_model.onnx'
onnx.save_model(onnx_model, onnx_model_file)

1.8 Visual Studio で実行してみましょう。

コンソール画面が立ち上がります。

Keras と TensorFlow によって、MNIST の学習を行います。これには、時間がかかります。

最後に、学習済みのモデルを ONNX 形式でファイルに出力して、プログラムが終了します。

1.9 ファイルエクスプローラーで、プロジェクトのフォルダーを確認すると、学習済みモデルの ONNX 形式ファイルが出来ているのが分かります。

2. Azure Machine Learning を使ってクラウド上で機械学習してみよう

次は、このプログラムを Azure 上で実行してみましょう。

2.1 Web ブラウザーで、Microsoft Azure Portal を開き、サインインします。

(Azure の使用には、費用が掛かる場合があります)

2.2 「リソースの作成」を選択します。

2.3 検索窓に「Machine Learning」と入力して検索し、「Machine Learning」を選びます。

2.4 「Machine Learning」を「作成」します。

2.5 必要事項を入力します。「リソースグループ」は新規に作成しても良いでしょう。

2.6 Web ブラウザーで、Azure Machine Learning Studio (Preview) を開きましょう。

2.7 「ノートブック」を「今すぐ開始」します。

2.8 ノートブックが開いたら、「新しいフォルダーの作成」を行います。

2.9 フォルダー名は好きなもので結構です。ここでは「decode2020」とします。

2.10 「新しいフォルダーの作成」アイコンの隣の「新しいファイルの作成」アイコンをクリックして、「mnist.ipynb」という名前で新しい Python Notebook を作成します。

2.11 ノートブックが開いたら、次に「新しいコンピューティングの作成」を行います。機械学習に使う CPU や GPU を持った仮想マシンの割り当てです。

2.12 新しいコンピューティングを設定して作成します。ここでは、1コアの CPU のみの小さな仮想マシンとしました。

2.12 3 つの方法の中からノートブックを編集する方法が選べます。ここでは、「インラインで編集 (プレビュー)」を選択しました。

2.13 ノートブックでは、セルと呼ばれる個々の編集領域に少しずつコードを入れていくことができます。

セルの左側にある三角のアイコンをクリックすると、セルの中のコードだけをすぐに実行してみることができます。先ずは、必要となる Python ライブラリーの「keras2onnx」をインストールしましょう。セルの中に、「pip install keras2onnx」と書いて実行することでインストールすることができます。

2.14 ここからは、先ほど Visual Studio 上で使用した mnist.py のコードを少しずつセルに入力していきます。

次々と入力しては、実行していきます。

モデルを訓練するところは時間が掛かります。

2.15 全部のセルを一気に実行することもできます。

2.16 全ての実行が終わると、Visual Studio で実行したときと同様に、学習済みモデルの ONNX 形式ファイルができています。

選択してダウンロードすることも可能です。

3. ML.NET を使って学習済みのモデルを使ったアプリケーションを作ってみよう

最後に、学習済みモデルの ONNX 形式ファイルを .NET から利用してみましょう。

3.1 Visual Studio で「コンソールアプリ (.NET Core)」を作成します。

※ この時点での .NET Core のバージョンは 3.1 です。

3.2 プロジェクトに NuGet で「Microsoft.ML.OnnxRuntime」という Onnx ファイルを扱うためのライブラリーをインストールします。

3.2 ソリューションエクスプローラーで、プロジェクトに「assets」というフォルダーを作成し、その中に学習済みモデル (ONNX 形式ファイル) である assets/mnist_model.onnx をコピーしておきます。

3.3 ソリューションエクスプローラーで ONNX ファイルを右クリックし、プロパティを設定します。

「出力ディレクトリにコピー」を「新しい場合はコピーする」に設定しておきます。

3.4 プロジェクトに C# のソースコードをコピーします。

プロジェクト内のファイル構成を再掲します:

ソースコード/ファイル	クラス	説明
Program.cs	Program	Main ルーチン
MnistInferer.cs	MnistInferer	手書き数字推論器
EnumerableExtension.cs	EnumerableExtension	汎用拡張メソッド
assets/mnist_model.onnx	---	学習済みモデル (ONNX 形式ファイル)

// 機械学習で作成した ONNX モデル ファイルを利用して、手書き文字の認識を行う
using System;
using System.Linq;

namespace Mnist.CSharp
{
    class Program
    {
        static void Main()
        {
            // 機械学習で作成した ONNX モデル ファイル
            var dataFileName = "mnist_model.onnx";
            // 推論器
            var mnistInference = new MnistInferer(@$"assets\{dataFileName}");
            // 数字の予想
            var result = mnistInference.Infer(Program.data);
            Console.WriteLine($"The digit is probably {result}.");
        }

        // 手書き文字データ (0～255の byte の配列を0.0～1.0の float に変換)
        static float[] data = new byte[] {
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x07, 0x18, 0x80, 0x8B, 0x8A, 0xBF, 0xB4, 0xFD, 0xBF, 0x8A, 0x30, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x2B, 0x2F, 0x78, 0xBA, 0xFC, 0xFC, 0xFD, 0xFC, 0xFC, 0xFC, 0xFC, 0xFD, 0xFC, 0xE3, 0x1D, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x13, 0xA4, 0xF6, 0xFD, 0xFC, 0xFC, 0xE3, 0xB7, 0xB8, 0xA2, 0x45, 0x45, 0x45, 0x4F, 0xE3, 0xFC, 0x2D, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x46, 0xFC, 0xFC, 0xFD, 0xEB, 0x4D, 0x1D, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x09, 0xC2, 0xE3, 0x1D, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x07, 0x41, 0x89, 0xC9, 0xAE, 0x20, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0xB5, 0xFC, 0xB7, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x09, 0x80, 0xFF, 0xF9, 0x73, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x72, 0xFC, 0xFD, 0x84, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x86, 0xF0, 0xFC, 0x7A, 0x19, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x09, 0xA6, 0xF0, 0xFC, 0xA8, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x35, 0xB5, 0xFC, 0xFC, 0x74, 0x02, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x07, 0x42, 0xF3, 0xFF, 0xF9, 0x3F, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x33, 0xBA, 0xFC, 0xFC, 0xDA, 0x4B, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x31, 0xE4, 0xFC, 0xFC, 0xDD, 0x20, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x88, 0xE9, 0xFC, 0xE3, 0x77, 0x19, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x20, 0xD2, 0xFA, 0xFD, 0xE7, 0x30, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x59, 0xDE, 0xFD, 0xFD, 0x9E, 0x00, 0x00, 0x00, 0x0B, 0x22, 0x76, 0x07, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0xA1, 0xFC, 0xFC, 0x6A, 0x00, 0x09, 0x2F, 0x59, 0xCB, 0xFD, 0xF4, 0x38, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0xA1, 0xFC, 0xFC, 0xBE, 0xB9, 0xC5, 0xFC, 0xFC, 0xDD, 0xAD, 0x38, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x78, 0xFC, 0xFC, 0xFC, 0xFD, 0xFC, 0xFC, 0xFC, 0x60, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x05, 0x36, 0x89, 0x89, 0xBE, 0x89, 0x36, 0x16, 0x02, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
            0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00
        }.Select(x => x / (float)byte.MaxValue).ToArray();
    }
}

// 機械学習で作成した ONNX モデル ファイルを利用して、手書き文字の認識を行う
using Microsoft.ML.OnnxRuntime;
using Microsoft.ML.OnnxRuntime.Tensors;
using System;
using System.Collections.Generic;
using System.Linq;

namespace Mnist.CSharp
{
    /// <summary>手書き数字推論器</summary>
    class MnistInferer
    {
        readonly InferenceSession session;

        public MnistInferer(string onnxModelPath) => session = new InferenceSession(onnxModelPath);

        /// <summary>数字の予想</summary>
        /// <param name="input">0～1の値の配列 (28x28、左上原点)</param>
        /// <returns>0～9 (数字)</returns>
        public int Infer(float[] input) => GetInference(input).MaximumIndex();

        IEnumerable<float> GetInference(float[] input)
            => Infer(new[] {
                         NamedOnnxValue.CreateFromTensor(
                             session.InputMetadata.First().Key,
                             new DenseTensor<float>(new Memory<float>(input), session.InputMetadata.First().Value.Dimensions)
                         )
                     });

        IEnumerable<float> Infer(IReadOnlyCollection<NamedOnnxValue> inputOnnxValues)
            => session.Run(inputOnnxValues).First().AsTensor<float>();
    }
}

// 汎用拡張メソッド
using System.Collections.Generic;

namespace Mnist.CSharp
{
    static class EnumerableExtension
    {
        public static int MaximumIndex(this IEnumerable<float> @this)
        {
            var maximum      = float.MinValue;
            var maximumIndex = -1;
            var index        =  0;
            foreach (var element in @this) {
                if (element > maximum) {
                    maximum      = element;
                    maximumIndex = index;
                }
                index++;
            }
            return maximumIndex;
        }
    }
}

3.5 実行すると、次のように表示されます。手書き数字のデータを 2 と認識することができました。

Author Info

Fujio Kojima: a software developer in Japan

Microsoft MVP for Development Tools - Visual C# (Jul. 2005 - Dec. 2014)
Microsoft MVP for .NET (Jan. 2015 - Oct. 2015)
Microsoft MVP for Visual Studio and Development Technologies (Nov. 2015 - Jun. 2018)
Microsoft MVP for Developer Technologies (Nov. 2018 - Jun. 2020)
MVP Profile
Blog (Japanese)
Web Site (Japanese)

License

This sample is under the MIT License.

Name		Name	Last commit message	Last commit date
Latest commit History 31 Commits
Mnist.CSharp		Mnist.CSharp
images		images
mnist.python		mnist.python
.gitattributes		.gitattributes
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
decode2020.sln		decode2020.sln
mnist.py		mnist.py

License

Fujiwo/decode2020

Folders and files

Latest commit

History

Repository files navigation

【de:code 2020】 Azure Machine Learning Studio と Python と C#/.NET によるディープ ラーニングのサンプル/チュートリアル

■ 概要:

関連資料

■ プロジェクト:

1. mnist.python

2. Mnist.CSharp

■ チュートリアル:

1. Visual Studio で話題の Keras と TensorFlow を使って Python で機械学習/ディープラーニングをやってみよう

1.1 「Python 開発」にチェックを入れて、「変更」します。

1.2 Visual Studio を起動し、新しいプロジェクトとして「Python アプリケーション」を作成します。

1.3 プロジェクトが出来上がったら、Python のライブラリーを追加します。

1.4 検索窓に tensorflow と入力し、「次のコマンドを実行する: pip install tensorflow」をクリックします。

1.5 同様に、Keras をインストールします。

1.6 最後に、keras2onnx をインストールします。

1.7 プロジェクトの中にある Python のソース コード ファイル (拡張子が .py のファイル) を開け、 mnist.py の中のコードに置き換えます。

1.8 Visual Studio で実行してみましょう。

1.9 ファイル エクスプローラーで、プロジェクトのフォルダーを確認すると、学習済みモデルの ONNX 形式ファイルが出来ているのが分かります。

2. Azure Machine Learning を使ってクラウド上で機械学習してみよう

2.1 Web ブラウザーで、Microsoft Azure Portal を開き、サインインします。

2.2 「リソースの作成」を選択します。

2.3 検索窓に「Machine Learning」と入力して検索し、「Machine Learning」を選びます。

2.4 「Machine Learning」を「作成」します。

2.5 必要事項を入力します。「リソース グループ」は新規に作成しても良いでしょう。

2.6 Web ブラウザーで、Azure Machine Learning Studio (Preview) を開きましょう。

2.7 「ノートブック」 を「今すぐ開始」します。

2.8 ノートブックが開いたら、「新しいフォルダーの作成」を行います。

2.9 フォルダー名は好きなもので結構です。ここでは「decode2020」とします。

2.10 「新しいフォルダーの作成」アイコンの隣の「新しいファイルの作成」アイコンをクリックして、「mnist.ipynb」という名前で新しい Python Notebook を作成します。

2.11 ノートブックが開いたら、次に「新しいコンピューティングの作成」を行います。機械学習に使う CPU や GPU を持った仮想マシンの割り当てです。

2.12 新しいコンピューティングを設定して作成します。ここでは、1コアの CPU のみの小さな仮想マシンとしました。

2.12 3 つの方法の中からノートブックを編集する方法が選べます。ここでは、「インラインで編集 (プレビュー)」を選択しました。

2.13 ノートブックでは、セルと呼ばれる個々の編集領域に少しずつコードを入れていくことができます。

2.14 ここからは、先ほど Visual Studio 上で使用した mnist.py のコードを少しずつセルに入力していきます。

2.15 全部のセルを一気に実行することもできます。

2.16 全ての実行が終わると、Visual Studio で実行したときと同様に、学習済みモデルの ONNX 形式ファイルができています。

3. ML.NET を使って学習済みのモデルを使ったアプリケーションを作ってみよう

3.1 Visual Studio で「コンソール アプリ (.NET Core)」を作成します。

3.2 プロジェクトに NuGet で「Microsoft.ML.OnnxRuntime」という Onnx ファイルを扱うためのライブラリーをインストールします。

3.2 ソリューション エクスプローラーで、プロジェクトに「assets」というフォルダーを作成し、その中に学習済みモデル (ONNX 形式ファイル) である assets/mnist_model.onnx をコピーしておきます。

3.3 ソリューション エクスプローラーで ONNX ファイルを右クリックし、プロパティを設定します。

3.4 プロジェクトに C# のソース コードをコピーします。

3.5 実行すると、次のように表示されます。手書き数字のデータを 2 と認識することができました。

Author Info

License

About

Resources

License

Stars

Watchers

Forks

Languages

【de:code 2020】 Azure Machine Learning Studio と Python と C#/.NET によるディープラーニングのサンプル/チュートリアル

1.7 プロジェクトの中にある Python のソースコードファイル (拡張子が .py のファイル) を開け、 mnist.py の中のコードに置き換えます。

1.9 ファイルエクスプローラーで、プロジェクトのフォルダーを確認すると、学習済みモデルの ONNX 形式ファイルが出来ているのが分かります。

2.5 必要事項を入力します。「リソースグループ」は新規に作成しても良いでしょう。

2.7 「ノートブック」を「今すぐ開始」します。

3.1 Visual Studio で「コンソールアプリ (.NET Core)」を作成します。

3.2 ソリューションエクスプローラーで、プロジェクトに「assets」というフォルダーを作成し、その中に学習済みモデル (ONNX 形式ファイル) である assets/mnist_model.onnx をコピーしておきます。

3.3 ソリューションエクスプローラーで ONNX ファイルを右クリックし、プロパティを設定します。

3.4 プロジェクトに C# のソースコードをコピーします。