标签：时间 支持 通用 演示 http python 不同 studio 十年
提起AI，大家都会先想到Python，确实Python作为一门好几十年的老语言，上一波的AI大流行使它焕发了青春。大家用Phtyon来做AI，最主要的原因无非就是编码量更少，很多数学和AI相关的Api都是现成的。但是随着ML.net的问世，我们现在可以在.netcore平台上使用比Python更少的代码来实现AI的功能了。
ML是Machine Learning的缩写，从命名上可以看出微软对于对于AI的现状还是有非常清醒的认识的。目前我们所有声称的人工智能其实只是机器学习，离真正意义上的人工智能还差的很远。这也是为什么，AI这个概念几乎每十年就火一次，然后陷入沉寂，因为我们在算法上其实始终没有突破，只是硬件比以前强大了，算的比以前快了而已。
上一波的AI创业大军已经纷纷倒下了，这也使我们认识到目前AI的水平是很难独立支撑一块完整的创新业务的，但是作为已有系统的补充，作为数据分析的工具，AI还是很有用的，尤其是在图像识别，语义分析，数值预测等已有成熟算法的领域。
读到这里是不是以为这篇文章是喷概念的？必须不是啊，干货来了：
ML.Net主要特点：
跨平台，开源，使用简单，支持Tensorflow等扩展
一、 使用ML.Net的图形化工具生成机器学习代码
目前的Visual Studio 2019已经包含了ML.Net的图形化工具，只不过还是预览版，需要你手动开启，首先在Visual Studio Installer里安装的功能中勾选ML.Net
然后在visual studio的 工具->选项中，选择展示预览功能
从这里我们也可以看出，微软已经计划在后续的visual studio中将ML.NET作为默认工具集成进来了。
安装完毕之后，随便建一个.netcore的项目，控制台的就可以。右键点击添加就会看到ML.NET的选项，
点击之后会有图形界面，然你从几种常见的需求中选择，比如语义识别，图像识别，数值预测等，后续它还会支持图片中物体识别等更复杂的需求。整个过程非常直观，按照它的界面一步一步走就可以，它最终会帮你训练模型并生成使用模型和再次训练模型的代码。
二、 手动引用Nuget包进行开发
在已有项目中手动添加AI的支持，只需要从Nuget上手动引用Microsoft.ML包，以及其他任务相关的包，如果需要使用tensorflow训练的模型，则需要引用SciSharp.TensorFlow.Redist包。训练和使用模型的代码都比较简单，根据机器学习的类型不同，少则10几行，多则几十行代码就可以完成训练的编码。
三、 实战演示
公司内部已有app需要增加一些额外功能，用户用手机截图上传的时候，系统需要判断图片有没有最上方的状态栏。由于手机本身系统的不同，再加上安卓手机状态栏基本上都能自定义，所以状态栏的样式是五花八门的，传统方式很难实现这个需求。最终我们使用WTM+ML.NET快速搭建了一个AI图片分类的平台，这个平台的功能包括：
以上的需求我们用了不到一个工作日，使用WTM+ML.NET就快速实现了，当然准备初次训练所需的图片用了两周的时间。最终我们使用了七千多张带状态栏的图片，和两千多张不带状态栏的图片训练完成了这个模型，准确率可以达到95%。后续通过人工标注和增量训练这个准确度还可以提高。
这个系统目前已经上线，为一个40万日活的App提供图片识别服务，表现相当稳定。
Talk is cheep, show me the code?
没问题，欢迎来我们在CSDN上的课程 https://edu.csdn.net/course/detail/27568 ， 或者在csdn里搜索WTM找到我们的视频教程。里面有完整的从0开始开发上述系统的视频讲解，并有完整的源代码。 源码不是公司的哦，公司用的Layui，我又用VUE重新写了一遍。 用了WTM，这都不是事儿，快得很。
标签：时间 支持 通用 演示 http python 不同 studio 十年
原文地址：https://www.cnblogs.com/liuliang79/p/13393479.html
