C# 统一的ML.NET

我不知道如何在Unity中使用ML.NET

我所做的： 将我的项目转换为与framework 4.x兼容。 已将api兼容性级别转换为framework 4.x。 创建assets/plugins/ml文件夹，并使用相应的XML放入Microsoft.ml API中。 将所有ml.dlls平台设置标记为仅与86_64兼容（这是冗余的）

我现在可以： 调用ML API，创建MlContext、TextLoader，并对模型进行培训。当一个模型被训练时，我也可以评估训练过的模型，但是

我不能： 尝试从模型中获取预测时，我得到一个错误： （还有一个完整的项目附在那里，你可以看到那里的代码） 同样的代码也适用于VisualStudio解决方案

 public float TestSinglePrediction(List<double> signal, MLContext mlContext, string modelPath)
{
    ITransformer loadedModel;
    using (var stream = new FileStream(modelPath, FileMode.Open, FileAccess.Read, FileShare.Read))
    {
        loadedModel = mlContext.Model.Load(stream);
    }
    var predictionFunction = loadedModel.MakePredictionFunction<AbstractSignal, PredictedRfd>(mlContext);
    var abstractSignal = new AbstractSignal()
    {
        Sig1 = (float)signal[0],
        Sig2 = (float)signal[1],
        Sig3 = (float)signal[2],
        Sig4 = (float)signal[3],
        Sig5 = (float)signal[4],
        Sig6 = (float)signal[5],
        Sig7 = (float)signal[6],
        Sig8 = (float)signal[7],
        Sig9 = (float)signal[8],
        Sig10 = (float)signal[9],
        Sig11 = (float)signal[10],
        Sig12 = (float)signal[11],
        Sig13 = (float)signal[12],
        Sig14 = (float)signal[13],
        Sig15 = (float)signal[14],
        Sig16 = (float)signal[15],
        Sig17 = (float)signal[16],
        Sig18 = (float)signal[17],
        Sig19 = (float)signal[18],
        Sig20 = (float)signal[19],
        RfdX = 0

    };
    var prediction = predictionFunction.Predict(abstractSignal);
    return prediction.RfdX;
}

public float TestSinglePrediction（列表信号、MLContext、MLContext、string modelPath）
{
ITransformer加载模型；
使用（var stream=newfilestream（modelPath，FileMode.Open，FileAccess.Read，FileShare.Read））
{
loadedModel=mlContext.Model.Load（流）；
}
var predictionFunction=loadedModel.MakePredictionFunction（mlContext）；
var abstractSignal=new abstractSignal（）
{
Sig1=（浮点）信号[0]，
Sig2=（浮动）信号[1]，
Sig3=（浮动）信号[2]，
Sig4=（浮动）信号[3]，
Sig5=（浮动）信号[4]，
Sig6=（浮动）信号[5]，
Sig7=（浮动）信号[6]，
Sig8=（浮动）信号[7]，
Sig9=（浮动）信号[8]，
Sig10=（浮动）信号[9]，
Sig11=（浮动）信号[10]，
Sig12=（浮动）信号[11]，
Sig13=（浮动）信号[12]，
Sig14=（浮动）信号[13]，
Sig15=（浮动）信号[14]，
Sig16=（浮动）信号[15]，
Sig17=（浮动）信号[16]，
Sig18=（浮动）信号[17]，
Sig19=（浮动）信号[18]，
Sig20=（浮动）信号[19]，
RfdX=0
};
var预测=预测函数。预测（抽象信号）；
返回预测.RfdX；
}

这是返回错误行的方法：

---

var-predictionFunction=loadedModel.MakePredictionFunction（mlContext）
从Unity 2018.1开始，Unity可以针对.net 4.x。因此，您需要将.net版本设置为.net 4.x等效版本或.net standard 2.0（），并确保在visual studio中将dll作为引用添加到项目中。如果你不把它作为参考添加，那么VisualSudio就不知道了。
正如Nick在他的帖子**中所说，如果你遵循这些步骤，它应该是统一的

然而，在我写这篇文章的时候，ML.NET团队还没有使用Unity进行全面的测试，所以它没有开箱即用并不完全令人惊讶。已在上打开。我建议密切关注这个问题，了解团结支持的状况

**尼克：
从Unity 2018.1开始，Unity可以瞄准.net 4.x。因此，您需要将.net版本设置为.net 4.x等效版本或.net标准2.0(https://blogs.unity3d.com/2018/03/28/updated-scripting-runtime-in-unity-2018-1-what-does-the-future-hold/)并确保将dll作为visual studio中的引用添加到项目中。如果不将其添加为引用，则VisualSudio不知道。
下面是一个稍加修改的Iris示例（由于某些ML API更改，该示例不再工作）

首先确保安装了最新的.net版本，并且Unity版本至少为2019.2.0f1（这是预览版本）或更高版本
克雷斯特是一个新的联合项目。在资产文件夹中创建一个插件文件夹。将所有ML.Net API导入该文件夹（这可能是一件愚蠢的事情，但我已经正手创建了一个visual studio soution，并通过nuget将所有这些API添加到该解决方案中，而不仅仅是将这些dll文件复制到unity项目中的Assets/Plugins文件夹中）
在“资源”文件夹中创建一个数据文件夹，并将iris.Data文件从中粘贴到其中
创建名为MLuTest的脚本并将以下代码粘贴到其中：

公共类MLuTest：单一行为{

    static readonly string _dataPath = Path.Combine(Environment.CurrentDirectory, "Assets", "Data", "iris.data");
    static readonly string _modelPath = Path.Combine(Environment.CurrentDirectory, "Assets", "Data", "IrisClusteringModel.zip");
    MLContext mlContext;
    void Start()
    {
        Debug.Log("starting...");
        mlContext = new MLContext(seed: 0);
        IDataView dataView = mlContext.Data.ReadFromTextFile<IrisData>(_dataPath, hasHeader: false, separatorChar: ',');
        string featuresColumnName = "Features";
        var pipeline = mlContext.Transforms
            .Concatenate(featuresColumnName, "SepalLength", "SepalWidth", "PetalLength", "PetalWidth")
            .Append(mlContext.Clustering.Trainers.KMeans(featuresColumnName, clustersCount: 3));//read and format flowery data
        var model = pipeline.Fit(dataView);//train
        using (var fileStream = new FileStream(_modelPath, FileMode.Create, FileAccess.Write, FileShare.Write))//save trained model
        {
            mlContext.Model.Save(model, fileStream);
        }
        var predictor = mlContext.Model.CreatePredictionEngine<IrisData, ClusterPrediction>(model);//predict
        IrisData Setosa = new IrisData
        {
            SepalLength = 5.1f,
            SepalWidth = 3.5f,
            PetalLength = 1.4f,
            PetalWidth = 0.2f
        };
        Debug.Log(predictor.Predict(Setosa).PredictedClusterId);
        Debug.Log("...done predicting, now do what u like with it");
    }
}

public class IrisData
{
    [LoadColumn(0)]
    public float SepalLength;

    [LoadColumn(1)]
    public float SepalWidth;

    [LoadColumn(2)]
    public float PetalLength;

    [LoadColumn(3)]
    public float PetalWidth;
}
public class ClusterPrediction
{
    [ColumnName("PredictedLabel")]
    public uint PredictedClusterId;

    [ColumnName("Score")]
    public float[] Distances;
}

静态只读字符串_dataPath=Path.Combine（Environment.CurrentDirectory，“资产”、“数据”、“iris.Data”）；
静态只读字符串_modelPath=Path.Combine（Environment.CurrentDirectory，“Assets”、“Data”、“IrisClusteringModel.zip”）；
MLContext-MLContext；
void Start（）
{
Log（“启动…”）；
mlContext=新的mlContext（种子：0）；
IDataView dataView=mlContext.Data.ReadFromTextFile（_dataPath，hashreader:false，separatorChar:'，'）；
字符串特征ColumnName=“特征”；
var pipeline=mlContext.Transforms
.连接（功能列名称，“分隔长度”、“分隔宽度”、“分隔长度”、“分隔宽度”、“分隔宽度”）
.Append（mlContext.Clustering.Trainers.KMeans（featuresColumnName，clustersCount:3））；//读取和格式化华丽的数据
var model=pipeline.Fit（dataView）；//train
使用（var fileStream=newfilestream（_modelPath，FileMode.Create，FileAccess.Write，FileShare.Write））//保存经过培训的模型
{
mlContext.Model.Save（Model，fileStream）；
}
var predictor=mlContext.Model.CreatePredictionEngine（Model）；//预测
IrisData Setosa=新IrisData
{
分离长度=5.1f，
分离宽度=3.5f，
花瓣长度=1.4f，
花瓣宽度=0.2f
};
Log（predictor.Predict（Setosa.PredictedClusterId）；
Log（“…完成预测，现在用它做你喜欢的事情”）；
}
}
公共类IrisData
{
[加载列（0）]
公共浮动分离长度；
[第（1）栏]
公共浮动分离宽度；
[第（2）栏]
公众漂浮长度；
[第（3）栏]
公众漂浮花瓣宽度；
}
公共类聚类预测
{
[ColumnName（“PredictedLabel”）]
公共uint预测聚类；
[栏目名称（“分数”）]
公共交通距离；
}

这应该是开箱即用的。