Skip to content

NetInvokeTFModel_TextClassification_Example.md

Latest commit

 

History

History
46 lines (33 loc) · 2.86 KB

NetInvokeTFModel_TextClassification_Example.md

File metadata and controls

46 lines (33 loc) · 2.86 KB
Raw

[TOC]

简介

本示例目的是验证 .Net 服务或应用程序调用 TensorFlow 训练出来的 pb 模型。 尽管 ML.Net 教程里面给出了两个 ML.NET 和 TensorFlow 的例子: 在 ML.NET 中使用预先训练的 TensorFlow 模型分析电影评论的情绪 & 通过 ML.NET 图像分类 API 使用迁移学习自动进行肉眼检查。但教程里面并没有告诉读者怎么去训练模型及查看 TensorFlow 模型的输入输出。

使用TensorFlow训练模型

参考电影评论文本分类, 使用存储在磁盘上的纯文本文件。训练一个二元分类器对 IMDB 数据集执行情感分析。最后保存模型到磁盘用于 .Net 调用。

查看模型输入输出

查看模型的输入输出可以采用两种方式：

  • TensorFlow saved_model_cli 带的 saved_model_cli 命令或 saved_model_cli.py 脚本，命令如下：
python D:\Study\jupyter\Python_DA\saved_model_cli.py  show --dir D:\Study\jupyter\Python_DA\saved_model\imdb_model --all

创建.Net应用通过ML.Net调用模型

  1. 创建.Net应用，引入Microsoft.ML.SampleUtils，Microsoft.ML.TensorFlow，SciSharp.TensorFlow.Redist，注意SciSharp.TensorFlow.Redist版本号，例子中使用的是2.3.1，参考TensorFlow: Unable to find entry point 'TF_StringDecode'
  2. 复制 TensorFlow 模型文件到项目目录，并对所有文件设置属性：将“复制到输出目录”的值更改为“如果较新则复制” 。
  3. 编写代码并测试
MLContext mlContext = new MLContext();

//加载模型
TensorFlowModel tensorFlowModel = mlContext.Model.LoadTensorFlowModel(_modelPath);

var pipeline = tensorFlowModel.ScoreTensorFlowModel(outputColumnNames: new[] { "StatefulPartitionedCall:0" }, inputColumnNames: new[] { "serving_default_text_vectorization_input:0" }, addBatchDimensionInput: false);

IDataView dataView = mlContext.Data.LoadFromEnumerable(new List<MovieReview>());
ITransformer model = pipeline.Fit(dataView);

//预测
var engine = mlContext.Model.CreatePredictionEngine<MovieReview, MovieReviewSentimentPrediction>(model);

var review = new MovieReview()
{
    ReviewText = new[] { "this film is really bad" }
};
var sentimentPrediction = engine.Predict(review);
Console.WriteLine("输入：{0}，预测结果：{1}", review.ReviewText[0], sentimentPrediction.Prediction[0] > 0.5 ? "积极" : "消极");