本月初，微軟發佈了ML.NET 1.0版本，它是一個面向.NET生態系統的開源機器學習（ML）框架。
ML.NET最初是作爲微軟研究院的一項提議進行開發的，它允許使用C#或F#開發自定義的ML模型。這些模型可用於情感分析、欺詐及垃圾郵件偵測、產品或電影推薦、圖像分類等場景。
微軟的客戶已經在使用1.0之前版本的ML.NET了。然而，新版本的框架提供了Visual Studio模型構建器和稱爲自動機器學習（AutoML）的工具。AutoML是爲ML初學者而設計的特性，它能根據輸入的數據自動決策數據場景（例如：分類和迴歸）以及ML模型需使用的ML算法。作爲此功能的補充，模型構建器提供了一個UI工具（僅限Windows），用於在Visual Studio環境中構建ML模型。目前，這兩個工具可在Visual Studio預覽版本上獲取。
InfoQ採訪了ML.NET項目管理團隊的成員Pranav Rastogi。
InfoQ: 爲什麼最新版的ML.NET對.NET機器學習社區如此重要?
Pranav Rastogi: 最新版的ML.NET爲開發人員使用ML提供了便利。作爲一名 .NET開發人員，我們可以使用ML.NET的API來構建不同的場景，比如情感分析、產品推薦、客戶細分等等。但是，開發人員面臨的主要挑戰是ML入門艱難。他們需要了解使用哪個ML訓練器，以及如何定製和優化它。AutoML作爲我們發佈的最新版的一部分，簡化了構建自定義ML模型的方式。
我們還引入了其他的工具，方便開發人員入門ML 。此次發佈版本提供了基於命令行界面（CLI）的操作支持，因此，開發人員可以使用命令行構建ML模型。
此外，對於Visual Studio用戶，我們也提供了基於圖形用戶界面（GUI）的操作支持，方便用戶將ML模型直接添加到他們的項目中。該操作工具名爲模型構建器（Model Builder），它允許開發人員直連他們的文件並構建自定義模型。我們可以右鍵單擊項目，選中“添加機器學習”，然後選擇一個場景。數據源可以選用文件或SQL Server數據庫，AutoML將依據我們選擇的場景爲我們選擇最佳的模型。在此過程中，它會嘗試不同的模型和設置，最終返回給我們前五種模型概述，以及推薦的最佳模型。
完成模型選擇之後，最後一步是爲我們的解決方案開發代碼。開發人員通常考慮使用一些工具來生成代碼，卻不信任它們，因爲它們有魔術代碼。但是，使用模型構建器，在過程結束時，開發人員將得到用於訓練模型的確切代碼。如果需要，還能自定義對應的代碼。我們可以先在本地運行它，然後放到雲上進行長時間的模型訓練。我們也能輕鬆地將其和DevOps工具集成。我們可以對模型進行操作，併爲任何處於休眠狀態的應用程序構建自定義機器學習模型，因此，可以爲Web應用程序、移動應用程序或桌面應用程序構建模型。
InfoQ: ML.NET和其他ML框架如TensorFlow相比如何呢？
Rastogi: ML.NET的主要價值在於，它是利用現有ML庫和框架的生態系統。ML.NET與流行框架（如TensorFlow、.NET版ONNX）深度集成。在圖像分類、對象檢測等場景中，我們可以輕鬆地獲取這些框架構建的模型，也可以在.NET應用程序中使用諸如初始模型、共振模型等模型。
InfoQ: 和其他微軟產品，如認知服務、Azure機器學習工具相比，ML.NET的定位是怎樣的呢？
Rastogi: 這取決於我們現有技術棧是什麼樣的：如果你是一位數據科學家，那麼你可能會使用基於記事本的環境，並且使用你選擇的框架。Azure機器學習提供了該項ML服務，方便開發人員或數據科學家在記事本上運行，然後在雲上進行有效的訓練。如果你是ML的初學者，認知服務（Cognitive Services）採用開箱即用的方案，提供了一個易用的API。而 ML.NET是一個爲.NET開發人員構建自定義ML模型的框架。
InfoQ: 您可以分享下您的團隊在開發ML.NET時遇到的一些最具挑戰性的任務嗎？
Rastogi: 在該項目中，我們面臨的最大挑戰是如何讓開發者更便捷地使用ML。鑑於ML是新生的，而且許多用戶對它的概念不熟悉，我們花費了大量的時間來確認API的名稱，使其符合.NET開發人員命名習慣，從而幫助它在生態系統中建立信任。我們做了大量的客戶調研後，發現如果我們對開發人員說“你能爲我建立一個二進制分類算法嗎？”，他們通常不知道是什麼含義。但是，如果我們從場景優先的角度出發，要求開發人員構建情緒分析，來分析客戶評論，他們通常可以做到這一點，因爲在ML中，這是一個已知的問題，可以通過將數據分爲兩類（A和B）來解決。因此，我們花了很多時間確保框架是容易理解的。默認設置是開箱即用，用戶無需自定義它。
我們還花了大量時間確保我們的框架可以處理大型數據集（TB級別），以確保整個管道可以像生產環境的應用程序一樣部署。這極大地提高了開發人員的工作效率。
InfoQ: AutoML最初是微軟研究院（Microsoft Research）的一個項目，您是如何將它與ML.NET集成，並作爲一個產品發佈的呢？
Rastogi: 這是微軟研究院與微軟不同產品團隊之間一次卓有成效的合作，是他們共同塑造了AutoML。AutoML是我們技術的關鍵部分，爲開發人員提供了構建自定義ML模型的便捷體驗。開發人員無需關心要使用哪個學習器、混合參數設置應該是什麼、應該設置多少學習器、需要訓練多長時間、以及特徵化過程應該是什麼。因此，微軟的很多團隊一起致力於這個研究項目，並把它推向市場。
InfoQ: 在未來.NET開發社區可以期待哪些新特性?
Rastogi: 現在我們正在研究的是在Visual Studio中引入ML.NEL預覽版功能的支持。目前在預覽版中，有深度學習的一些功能和對TensorFlow的支持。我們將會把它們集成，同時也將改進模型構建器層，支持基於時間序列的推薦。想要隨時瞭解最新的路線圖，可以查閱我們的GitHub倉庫。
ML.NET支持Windows、Linux和macOS平臺。由於模型構建器以Visual Studio擴展方式提供，故在Windows上使用ML.NET需要安裝Visual Studio 2017 15.6版或更高版本。在macOS和Linux系統上，ML.NET模型使用CLI構建，故不需要上述依賴條件。您可以在這裏獲取更多關於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