用于情感分析和图像检测的预训练机器学习模型

使用预训练模型的好处

已提供预训练模型来支持需要执行情绪分析或图像特征化等任务但没有资源获取大型数据集或训练复杂模型的客户。使用预训练模型可以让您最有效地开始文本和图像处理。

目前可用的模型是用于情感分析和图像分类的深度神经网络 (DNN) 模型。所有四个预训练模型都在 CNTK 上进行了训练。每个网络的配置基于以下参考实现：

• Resnet-18
• Resnet-50
• ResNet-101
• 亚历克斯网

有关深度残差网络及其使用 CNTK 实现的更多信息，请访问Microsoft Research网站并搜索以下文章：

• 微软研究人员的算法设定 ImageNet 挑战里程碑
• Microsoft 计算网络工具包提供最高效的分布式深度学习计算性能

如何安装模型

预训练模型通过安装程序作为机器学习服务器或SQL Server 机器学习的可选组件进行安装。您还可以通过Microsoft R Client获取模型的 R 版本。

1. 为您的目标平台运行机器学习服务器安装程序：安装机器学习服务器。
2. 指定要安装的组件时，添加至少一种语言（R Server 或 Python）和预训练模型。需要语言支持。这些模型不能作为独立组件安装。
3. 设置完成后，验证模型在您的计算机上。预训练模型是本地的，在您运行 setup 时分别添加到 MicrosoftML 和 microsftml 库中。这些文件是 Python 的 \mxlibs<modelname>_updated.model 和 R 的 \mxlibs\x64<modelname>_updated.model。

有关演示使用预训练模型的示例，请参阅MicrosoftML 的 R 示例和 MicrosoftML的Python 示例。

下一步

通过运行目标平台或产品的安装程序或安装脚本来安装模型：

• 安装机器学习服务器
• 在 Windows 上安装 R 客户端
• 在 Linux 上安装 R 客户端
• 安装 Python 客户端库

查看相关的函数参考帮助：

• featureize_image (microsoftml Python)
• 特征化文本（microsoftml Python）
• 特征化图像（MicrosoftML R）
• 特征化文本（MicrosoftML R）