什么是ML.NET？
ML.NET 使你能够在联机或脱机场景中将机器学习添加到 .NET 应用程序中。 借助此功能，可以使用应用程序的可用数据进行自动预测。 机器学习应用程序利用数据中的模式来进行预测，而不需要进行显式编程。
ML.NET 的核心是机器学习模型 。 该模型指定将输入数据转换为预测所需的步骤。 借助 ML.NET，可以通过指定算法来训练自定义模型，也可以导入预训练的 TensorFlow 和 ONNX 模型。
ML.NET 支持在使用 .NET Core 的 Windows、Linux 和 macOS 或使用 .NET Framework 的 Windows 上运行。 所有平台均支持 64 位。 Windows 支持 32 位，TensorFlow、LightGBM 和 ONNX 相关功能除外。
了解ML.NET模型生成器
ML.NET 模型生成器是一个直观的图形化 Visual Studio 扩展，用于生成、训练和部署自定义机器学习模型。其使用自动化的机器学习 (AutoML) 来探索不同的机器学习算法和设置，以帮助找到最合适的方案。
使用模型生成器不需要具备机器学习的专业知识。 只需要一些数据，和确定要解决的问题。 模型生成器会生成将模型添加到 .NET 应用程序的代码。
值得注意的是，目前ML.NET 模型生成器是属于预览版，需要先启用此预览功能：
接下来，我们将使用此模型生成器来生成图片性别生成的代码。
生成图片性别识别的代码
主体步骤如下所示：
1.创建控制台项目，然后添加【机器学习】
2.选择方案，这里我们选择【图像分类】
当完成了第一步操作之后，我们将打开ML.NET模型生成器的UI界面。这里我们选择【图像分类】方案：
3.选择训练环境
4.添加数据
在此之前，我们需要先准备好数据。由于是做图片分类，我们需要先准备图片数据，并且以文件夹的形式分类，比如：
准备好图片数据后，我们就可以在【数据】界面添加对应的文件夹了：
添加完成后，就可以看到【数据预览】：
这里笔者准备了5000多张学生图片，由于涉及隐私，这些数据样本不会公开，如需要训练可以去国外很多AI网站下载数据样本。
5.训练
训练是一个自动的过程，模型生成器通过该过程教模型如何回答方案相关的问题。 训练后，模型可以对其没有见过的输入数据进行预测。 例如，在预测房价时，可以预测新上市的房屋销售价。因为模型生成器使用自动机器学习 (AutoML)，所以在训练期间不需要任何人工输入或微调操作。
接下来，我们【开始训练】：
一般500M数据需要训练大概半小时以上（具体还需视机器性能而定）：
6.评估
训练结束后，我们就可以开始评估了。评估是衡量模型品质的过程。下面97.08的准确性已经是性能非常好的模型了，高于50%的准确性才是可以接受的模型。
如果模型性能评分不符合预期，可以：
- 延长训练时间。 有了更多时间，自动机器学习引擎可以体验更多算法和设置。
- 添加更多更精确的数据。 有时，数据量不足以训练高质量的机器学习模型。对于包含少量示例的数据集，尤其如此。
- 均衡分配数据。 对于分类任务，请确保在各个类别间均匀分配训练集。 例如，若有四个类别和 100 个训练示例，前两类（标记 1 和标记 2）包含 90 个记录，而剩下两类（标记 3 和标记 4）只包含 10 个记录，这就存在数据不均衡的问题，可能会导致模型很难正确预测标记 3 或标记 4。
回到刚才的主题，我们可以试用刚训练出的模型。这里笔者找了几张数据样本之外的图片进行测试：
模型的准确性非常之高，我们用一张偏女性化的男性图片进行测试：
从上面的测试结果可以看出，准确性基本上取决于数据样本的数量和质量！
7.添加代码
完成评估阶段后，模型生成器可以输出一份模型文件和代码，我们可以使用该代码将模型添加到应用程序。 ML.NET 模型保存为 zip 文件。 用于加载和使用模型的代码会以新项目的形式添加到解决方案中。 模型生成器还会添加一个示例控制台应用，可以运行该应用来查看工作状态下的模型。
此外，模型生成器还会输出生成模型的代码，以便你能了解生成模型所使用的步骤。 还可以通过模型训练代码使用新的数据重新训练模型。添加代码如下所示：
【添加】之后，在解决方案中我们就可以相关代码了：
如上图所示，ML.NET模型的zip文件也包含在解决方案中。
执行示例代码
我们将【GenderRecognitionML.ConsoleApp】工程设置为启动项目，打开示例代码如下所示：
using System; using GenderRecognitionML.Model; namespace GenderRecognitionML.ConsoleApp { class Program { static void Main(string[] args) { // Create single instance of sample data from first line of dataset for model input ModelInput sampleData = new ModelInput() { ImageSource = @"D:workspaceAIGenderRecognition数据样本女20200612180307_xxx.jpg", }; // Make a single prediction on the sample data and print results var predictionResult = ConsumeModel.Predict(sampleData); Console.WriteLine("Using model to make single prediction -- Comparing actual Label with predicted Label from sample data... "); Console.WriteLine($"ImageSource: {sampleData.ImageSource}"); Console.WriteLine($" Predicted Label value {predictionResult.Prediction} Predicted Label scores: [{String.Join(",", predictionResult.Score)}] "); Console.WriteLine("=============== End of process, hit any key to finish ==============="); Console.ReadKey(); } } }
通过上面的示例代码我们非常简单了解了如何来使用模型，仅需传入图片路径，即可使用模型输出对应的图像标签（男、女）和准确性，我们可以运行起来，执行结果如下所示：
至此，整个教程就完成了，是不是非常简单呢？即使我们不具备机器学习的专业知识！