本月初，微软发布了 ML.NET 1.0版本，它是一个面向.NET生态系统的开源机器学习（ML）框架。

ML.NET最初是作为微软研究院的一项提议进行开发的，它允许使用C#或F#开发自定义的ML模型。这些模型可用于情感分析、欺诈及垃圾邮件侦测、产品或电影推荐、图像分类等场景。

微软的客户已经在使用1.0之前版本的ML.NET了。然而，新版本的框架提供了Visual Studio模型构建器和称为自动机器学习（AutoML）的工具。AutoML是为ML初学者而设计的特性，它能根据输入的数据自动决策数据场景（例如：分类和回归）以及ML模型需使用的ML算法。作为此功能的补充，模型构建器提供了一个UI工具（仅限Windows），用于在Visual Studio环境中构建ML模型。目前，这两个工具可在Visual Studio预览版本上获取。

InfoQ采访了ML.NET项目管理团队的成员Pranav Rastogi。

InfoQ: 为什么最新版的ML.NET对.NET机器学习社区如此重要?

Pranav Rastogi: 最新版的ML.NET为开发人员使用ML提供了便利。作为一名 .NET开发人员，我们可以使用ML.NET的API来构建不同的场景，比如情感分析、产品推荐、客户细分等等。但是，开发人员面临的主要挑战是ML入门艰难。他们需要了解使用哪个ML训练器，以及如何定制和优化它。AutoML作为我们发布的最新版的一部分，简化了构建自定义ML模型的方式。

我们还引入了其他的工具，方便开发人员入门ML 。此次发布版本提供了基于命令行界面（CLI）的操作支持，因此，开发人员可以使用命令行构建ML模型。

此外，对于Visual Studio用户，我们也提供了基于图形用户界面（GUI）的操作支持，方便用户将ML模型直接添加到他们的项目中。该操作工具名为模型构建器（Model Builder），它允许开发人员直连他们的文件并构建自定义模型。我们可以右键单击项目，选中“添加机器学习”，然后选择一个场景。数据源可以选用文件或SQL Server数据库，AutoML将依据我们选择的场景为我们选择最佳的模型。在此过程中，它会尝试不同的模型和设置，最终返回给我们前五种模型概述，以及推荐的最佳模型。

完成模型选择之后，最后一步是为我们的解决方案开发代码。开发人员通常考虑使用一些工具来生成代码，却不信任它们，因为它们有魔术代码。但是，使用模型构建器，在过程结束时，开发人员将得到用于训练模型的确切代码。如果需要，还能自定义对应的代码。我们可以先在本地运行它，然后放到云上进行长时间的模型训练。我们也能轻松地将其和DevOps工具集成。我们可以对模型进行操作，并为任何处于休眠状态的应用程序构建自定义机器学习模型，因此，可以为Web应用程序、移动应用程序或桌面应用程序构建模型。

InfoQ: ML.NET和其他ML框架如TensorFlow相比如何呢？

Rastogi: ML.NET的主要价值在于，它是利用现有ML库和框架的生态系统。ML.NET与流行框架（如TensorFlow、.NET版ONNX）深度集成。在图像分类、对象检测等场景中，我们可以轻松地获取这些框架构建的模型，也可以在.NET应用程序中使用诸如初始模型、共振模型等模型。

InfoQ: 和其他微软产品，如认知服务、Azure机器学习工具相比，ML.NET的定位是怎样的呢？

Rastogi: 这取决于我们现有技术栈是什么样的：如果你是一位数据科学家，那么你可能会使用基于记事本的环境，并且使用你选择的框架。Azure机器学习提供了该项ML服务，方便开发人员或数据科学家在记事本上运行，然后在云上进行有效的训练。如果你是ML的初学者，认知服务（Cognitive Services）采用开箱即用的方案，提供了一个易用的API。而 ML.NET是一个为.NET开发人员构建自定义ML模型的框架。

InfoQ: 您可以分享下您的团队在开发ML.NET时遇到的一些最具挑战性的任务吗？

Rastogi: 在该项目中，我们面临的最大挑战是如何让开发者更便捷地使用ML。鉴于ML是新生的，而且许多用户对它的概念不熟悉，我们花费了大量的时间来确认API的名称，使其符合.NET开发人员命名习惯，从而帮助它在生态系统中建立信任。我们做了大量的客户调研后，发现如果我们对开发人员说“你能为我建立一个二进制分类算法吗？”，他们通常不知道是什么含义。但是，如果我们从场景优先的角度出发，要求开发人员构建情绪分析，来分析客户评论，他们通常可以做到这一点，因为在ML中，这是一个已知的问题，可以通过将数据分为两类（A和B）来解决。因此，我们花了很多时间确保框架是容易理解的。默认设置是开箱即用，用户无需自定义它。

我们还花了大量时间确保我们的框架可以处理大型数据集（TB级别），以确保整个管道可以像生产环境的应用程序一样部署。这极大地提高了开发人员的工作效率。

InfoQ: AutoML最初是微软研究院（Microsoft Research）的一个项目，您是如何将它与ML.NET集成，并作为一个产品发布的呢？

Rastogi: 这是微软研究院与微软不同产品团队之间一次卓有成效的合作，是他们共同塑造了AutoML。AutoML是我们技术的关键部分，为开发人员提供了构建自定义ML模型的便捷体验。开发人员无需关心要使用哪个学习器、混合参数设置应该是什么、应该设置多少学习器、需要训练多长时间、以及特征化过程应该是什么。因此，微软的很多团队一起致力于这个研究项目，并把它推向市场。

InfoQ: 在未来.NET开发社区可以期待哪些新特性?

Rastogi: 现在我们正在研究的是在Visual Studio中引入ML.NEL预览版功能的支持。目前在预览版中，有深度学习的一些功能和对TensorFlow的支持。我们将会把它们集成，同时也将改进模型构建器层，支持基于时间序列的推荐。想要随时了解最新的路线图，可以查阅我们的GitHub仓库。

ML.NET支持Windows、Linux和macOS平台。由于模型构建器以Visual Studio扩展方式提供，故在Windows上使用ML.NET需要安装Visual Studio 2017 15.6版或更高版本。在macOS和Linux系统上，ML.NET模型使用CLI构建，故不需要上述依赖条件。您可以在这里获取更多关于ML.NET的信息。

查看英文原文：ML.NET, an Open Source Machine Learning Framework for the .NET Ecosystem: Pranav Rastogi Q&A

创作场景

InfoQ 专访 ：Pranav Rastogi 谈.NET 的开源机器学习框架 ML.NET

InfoQ 专访：Pranav Rastogi 谈.NET 的开源机器学习框架 ML.NET