通过 .NET 完成机器学习的整个流程，这个平台可以！

火币交易所官网 2022年11月07日 08:25 150 Connor

点击上方蓝字

关注我们

（本文阅读时间：10分钟)

.NET 是⼀个跨平台，全场景应⽤的开源技术。你有在⽤ .NET 做机器学习/深度学习的应⽤吗？如果从框架⻆度，ML.NET/Tensorflow.NET/不断在进步的 TorchSharp 通过⼏年的发展已经开始稳定，但如果在⼀些⼤型项⽬上，特别现在与云端环境的对接上都是⾮常重要的，毕竟云端可以帮助机器学习每⼀步的流程进⾏优化，从数据管理，到训练，再到测试，以及部署都是⾮常重要的。

Azure ML 是⾮常优秀的机器学习/深度学习平台，涵盖整个机器学习/深度学习的所有流程。那这个时候有⼈会问 Azure ML 能跑传统的机器学习/深度学习项⽬都是基于 Python，但能否可以跑 .NET 的机器学习呢？是否可以让 .NET 的机器学习项⽬和云端结合在⼀起。今天就来给⼤家展示⼀下如何使⽤ .NET 结合 Azure ML 跑图像分类。

准备工作

从 Azure Portal 上构建⼀个 Azure 机器学习服务环境，因为你需要⽤ GPU，所以区域记得选择 “West US2”

展开全文

创建成功后，你可以进⼊相关资源组，并记录下刚才创建的 Resource Group 和 Azure ML Service Name

你可以通过点击 Studio Web URL 进⼊ Azure Machine Learning Studio

从数据采集与整理开始

这个与编程语⾔⽆关的内容，但是也是⾮常重要的内容，数据是最重要的部分。通过 Azure ML 你可以对数据进⾏管理，这就包括数据存储，版本管理，以及数据特征提取等⼯作。我们可以从 Azure ML ⻔户的数据选项上，进⾏不同数据的管理。

1、选择左菜单栏的 Assets ，选择 Data，选择 Data assets 进⾏添加

2、创建数据，给名字和对应的格式，这⾥的数据你可以进⾏下载

3、从本地上传数据

上传成功后，你可以看到相关信息

记录下 Named asset URI 的名字，这⾥是 azureml:flower_data:1

进行下载

训练

每个⼈会把数据训练看成⾮常重要的⼀环。在 .NET 中你可以选⽤ ML.NET 或者 TensorFlow.NET/TorchSharp 进⾏训练，从很多⽂档或者你只看到了 Python 的⽅式。我这⾥分享⼀下⽤ .NET 的⽅式。

⾸先你需要在 Azure ML 上构建你的算⼒，点击菜单 “Compute”，再选择“Compute clusters”。通过创建，选择 GPU 选择使⽤ K80 (如果你需要其他算⼒，可以⾃动申请)

构建完成后，我这⾥需要把代码进⾏调整，代码我这⾥使⽤了 Tensorflow.NET 的图像分类的示例，并作了⼀下调整，⼤家可以参考我的 GitHub 获取代码。

这⾥有⼏点需要注意的，因为在 Azure ML 上，所有计算的算⼒都是基于 Linux 和 GPU ，所以在加载 Tensorflow.NET 的库的时候请使⽤ Tensorflow.NET Linux 的 GPU 版本。⼤家可以参考下：

我们需要让 .NET 在 Azure ML 上跑，我们需要有⼀个容器的环境结合算了⼀起跑。这就好⽐你需要⼀个 .NET 的运⾏环境然后加上算⼒。

在 Azure ML ，你可以通过本地配置 yaml 去设定相关的内容，包括需要执⾏的语句，也包括数据存储相关的路径，运⾏环境，以及所需要的算⼒等。如下所示：

补充说明

1、input：对应的是输⼊的数据，可以对应在 Azure ML 设定的数据，你可以选择⽂件夹和⽂件类型

2、command: 对应的是你要执⾏的⽂件, 因为 Tensorflow.NET 需要 libtensorflow，你必须去做相关的下载，并在运⾏环境中设置好

3、environment: 环境依赖，你可以直接设定容器，但我更喜欢把环境设置在 Dockerfile 上，这样你可以随时添加所需要的⽀持，如 ML.NET CLI 环境或者是⼀些包等，以下是我的 Dockerfile

4、compute：就是对应创建的算⼒

本地的 yaml 环境后，就可以在本地运⾏对应的脚本（你必须安装 Azure CLI 环境，还有 Azure ML SDK v2 的扩展⽀持，这是必须的)，在本机环境中执⾏如下步骤：

5、experiment_name: 你可以给训练起⼀个名字，这个我觉得蛮好⽤的，可以针对不同的项⽬进⾏归类如果执⾏顺利，你就可以直接通过 Azure ML 开启你的 .NET 机器学习/深度学习训练了，下图是通过点击 job看到的每次训练的内容

你也可以点击某次训练了解更多

这个例⼦并不是完美的算法，但也⾜矣说明问题了，当然你可以通过程序设定看看调整算法来提升精确度。

获取代码

Azure CLI

获取代码

模型部署

如果你对某次模型训练⽐较满意，你就可以选择把该次训练产⽣的模型注册，并部署到 endpoint，可以选择在本地⽤ yaml 完成，但有些⼩伙伴喜欢在 Azure ⻔户上⽤⼀些⼿动化操作也可以

1、模型注册

选择 Models，并点击 Register，选择 From a job output

选择你所需要的训练

你就可以从 outputs ⽂件夹中选取对应的模型，作为部署

部署成功后你就可以看到相关的模型信息

当然你也可以不在 Azure 上部署，可以在 Jobs 把模型下载下来给不同平台使⽤

2、在 Endpoints 中⽣成服务

或者你需要在 Azure 上直接部署服务，这个时候你只需要点击 Endpoints 和对应服务关联就可以了。或者我更喜欢⽤ Azure Functions 来完成该步骤，这个⽇后再和⼤家说说了。

Azure 上可以⽀持托管部署，和 Kubernetes 部署，这就看你需要什么⽅式。

总结

你可以看到在 Azure ML 上，通过 .NET 把机器学习的整个流程都完成了。这也让各位 .NET 的开发⼈员和团队更有信⼼地采⽤ .NET 做机器学习/深度学习的项⽬。现在 .NET 机器学习不仅仅只是框架，也可以通过云端进⾏管理，是完整的解决⽅案。希望有更多⼩伙伴来做更多有趣的机器学习应⽤。

最后和⼤家剧透⼀下，全球的 .NET Conf 2022 下周就开始了，我会在 .NET Conf 2022 上和⼤家谈谈全场景的 .NET 深度学习开发（Deep Learning in .NET），北京时间 11 ⽉ 10 ⽇ 13:30-14:00，⼤家⼀定不要错过！

扫码参与2022年 .NET 全球大会！