WinML-dashboard

WinML Dashboard is een hulpmiddel voor het weergeven, bewerken, converteren en valideren van machine learning-modellen voor de Windows ML-deductie-engine. De engine is ingebouwd in Windows 10 en evalueert getrainde modellen lokaal op Windows-apparaten met behulp van hardware-optimalisaties voor CPU en GPU om hoogwaardige gevolgtrekkingen mogelijk te maken.

Het hulpprogramma downloaden

U kunt het WinML-dashboard hier downloaden, of u kunt de app vanaf de broncode bouwen aan de hand van de onderstaande instructies.

Bouwen vanaf de bron

Wanneer u de app vanaf de broncode bouwt, hebt u het volgende nodig:

Alle zes vereisten moeten worden toegevoegd aan het Milieupad. Merk op dat MSBuild en Nuget worden opgenomen in een Visual Studio 2017-installatie.

Stappen om te bouwen en uit te voeren

Ga als volgt te werk om het WinML-dashboard uit te voeren:

1. Kloon de repository op de opdrachtregel: git clone https://github.com/Microsoft/Windows-Machine-Learning
2. Voer in het archief het volgende in om toegang te krijgen tot de juiste map: cd Tools/WinMLDashboard
3. Uitvoeren git submodule update --init --recursive om Netron bij te werken.
4. Voer garen uit om afhankelijkheden te downloaden.
5. Voer vervolgens uit yarn electron-prod om de desktop-applicatie te bouwen en te starten, waarmee het dashboard wordt gestart.

Alle beschikbare Dashboard-opdrachten zijn te zien op package.json.

Modellen weergeven en bewerken

Het Dashboard maakt gebruik van Netron voor het bekijken van machine learning-modellen. Hoewel WinML het ONNX-formaat gebruikt, ondersteunt de Netron-viewer het bekijken van verschillende framework-formaten.

Vaak moet een ontwikkelaar bepaalde metagegevens van het model bijwerken of de invoer- en uitvoerknooppunten van het model wijzigen. Deze tool ondersteunt het wijzigen van modeleigenschappen, metadata en input/output-knooppunten van een ONNX-model.

Als u het Edit tabblad selecteert (midden bovenaan zoals weergegeven in het onderstaande knipsel) gaat u naar het weergave- en bewerkingspaneel. In het linkerdeelvenster in het deelvenster kunt u modelinvoer- en uitvoerknooppunten bewerken en in het rechterdeelvenster kunt u modeleigenschappen bewerken. Het middelste gedeelte toont de grafiek. Op dit moment is de ondersteuning voor bewerken beperkt tot modelinvoer-/uitvoerknooppunten (en niet binnenste knooppunten), modeleigenschappen en modelmetagegevens.

De Edit/View knop schakelt over van de bewerkingsmodus naar de modus Alleen weergeven en vice versa. De modus Alleen-lezen staat bewerken niet toe en schakelt de native functies van Netron Viewer in, zoals de mogelijkheid om gedetailleerde informatie voor elk knooppunt te zien.

Modellen converteren

Tegenwoordig zijn er verschillende frameworks beschikbaar voor het trainen en evalueren van machine learning-modellen, wat het voor app-ontwikkelaars moeilijk maakt om modellen in hun product op te nemen. Windows ML maakt gebruik van de ONNX-modelindeling voor machine learning die conversie van het ene framework-formaat naar het andere mogelijk maakt, en dit dashboard maakt het gemakkelijk om modellen van verschillende frameworks naar ONNX te converteren.

Het tabblad Converteren ondersteunt het converteren naar ONNX vanuit de volgende bronframeworks:

• Apple Core ML
• TensorFlow (subset van modellen converteerbaar naar ONNX)
• Keras
• Scikit-learn (subset van modellen converteerbaar naar ONNX)
• Xgboost
• LibSVM

De tool maakt ook validatie van het geconverteerde model mogelijk door het model te evalueren met de ingebouwde Windows ML-inferentie-engine met behulp van synthetische gegevens (standaard) of echte invoergegevens op CPU of GPU.

Modellen valideren

Zodra u een ONNX-model hebt, kunt u valideren of de conversie is uitgevoerd en of het model kan worden geëvalueerd in de Windows ML-deductie-engine. Dit doe je met behulp van het Run tabblad (zie knipsel hieronder).

U kunt verschillende opties kiezen, zoals CPU (standaard) versus GPU, echte invoer versus synthetische invoer (standaard) enz. Het resultaat van de modelevaluatie verschijnt in het consolevenster onderaan.

Houd er rekening mee dat de functie voor modelvalidatie alleen beschikbaar is in de Windows 10 October 2018-update of een nieuwere versie van Windows 10, omdat de tool gebruikmaakt van de ingebouwde Windows ML-deductie-engine.

Debugging-inferentie

U kunt de foutopsporingsfunctie van WinML Dashboard gebruiken om inzicht te krijgen in hoe onbewerkte gegevens door operators in uw model stromen. U kunt er ook voor kiezen om deze gegevens te visualiseren voor computervisie-inferentie.

Ga als volgt te werk om fouten in uw model op te sporen:

1. Navigeer naar het Edit tabblad en selecteer de operator waarvoor u tussenliggende gegevens wilt vastleggen. Op het linkerzijpaneel bevindt zich een Debug menu waar u de formaten van tussenliggende gegevens kunt selecteren die u wilt vastleggen. De opties zijn momenteel tekst en PNG. Tekst voert een tekstbestand uit met de afmetingen, het gegevenstype en de onbewerkte tensorgegevens die door deze operator zijn geproduceerd. PNG formatteert deze gegevens in een afbeeldingsbestand dat nuttig kan zijn voor computervisietoepassingen.

2. Navigeer naar het Run tabblad en selecteer het model dat u wilt debuggen.
3. Selecteer Capture voor het Debug veld in de vervolgkeuzelijst.
4. Selecteer een invoerafbeelding of csv die u bij uitvoering aan uw model wilt leveren. Houd er rekening mee dat dit vereist is bij het vastleggen van foutopsporingsgegevens.
5. Selecteer een uitvoermap om foutopsporingsgegevens te exporteren.
6. Selecteer Run. Zodra de uitvoering is voltooid, kunt u naar deze geselecteerde map navigeren om uw Debug-opname te bekijken.

U kunt de foutopsporingsweergave ook openen in de Electron-app met een van de volgende opties:

• Voer het uit met flag --dev-tools
• Of selecteer View -> Toggle Dev Tools in het applicatiemenu
• Of druk op Ctrl + Shift + I.