
AiDotNet发布:面向.NET的AI/ML框架,含2100多个模型
来源标题:AiDotNet – Comprehensive AI/ML Framework for .NET
AiDotNet推出号称最全面的.NET AI/ML框架,编译程序集中包含2100多个模型和10500多个公共类型。框架覆盖分类、回归、聚类、计算机视觉、音频处理、RAG聊天机器人和LoRA微调等任务,并提供与Python PyTorch的端到端训练推理对比基准。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
面向 .NET 的最全面 AI/ML 框架 2,100+ 个模型和 10,500+ 个公开类型,均从编译后的程序集中统计得出 统计口径来自编译后的程序集:模型是指带有 [ModelDomain] 特性的公开具体类型,而模型族则是它所声明的某个领域或类别,因此同一个模型可能被计入多行。 快速上手 • 示例 • 文档 • API 参考 • 参与贡献 模型与组件数量见本页顶部的生成表格。与其他 .NET 库相比,无需基准测试就能说明的差异在于运行时: 在你自己的 CPU 或 GPU 上,运行与 Python PyTorch 的端到端训练和推理对比。11 个模型的基准测试与命令 你想构建什么? 任务 快速链接 说明 数据分类 分类 二分类、多分类、图像分类 预测数值 回归 价格预测、趋势预测 对相似项分组 聚类 客户分群、异常检测 检测图像中的目标 计算机视觉 YOLO、DETR、Mask R-CNN 处理音频/语音 音频 Whisper、TTS、音乐生成 构建带 RAG 的聊天机器人 RAG 向量存储、检索器、重排序器 微调 LLM LoRA 微调 QLoRA、DoRA、AdaLoRA 生成图像 扩散模型 Stable Diffusion、DALL-E 3 训练 RL 智能体 强化学习 DQN、PPO、SAC、多智能体 预测时间序列 时间序列 ARIMA、Prophet、N-BEATS 扩展训练规模 分布式训练 多 GPU、多节点 安装 dotnet add package AiDotNet 原生加速二进制文件是由 AiDotNet.Tensors 维护的可选包。只需安装你需要的后端,并与 AiDotNet 一同使用: dotnet add package AiDotNet.Native.CLBlast # OpenCL BLAS 加速 dotnet add package AiDotNet.Native.OneDNN # oneDNN CPU 加速 即使不安装这些包,AiDotNet 也能使用 Tensors 引擎现有的托管内核和自研内核正常运行。 要求:.NET 10.0 / .NET 8.0+(或 .NET Framework 4.7.1+) using AiDotNet; using AiDotNet.Enums; using AiDotNet.LinearAlgebra; using AiDotNet.NeuralNetworks; // features: [N, 4] tensor of Iris measurements // labels: [N, 3] one-hot tensor of species var architecture = new NeuralNetworkArchitecture<double>( inputFeatures: 4, numClasses: 3, complexity: NetworkComplexity.Simple); var result = await new AiModelBuilder<double, Tensor<double>, Tensor<double>>() .ConfigureModel(new NeuralNetwork<double>(architecture)) .BuildAsync(features, labels); var predictions = result.Predict(testFeatures); 完整可运行版本(内联 Iris 数据集、训练/测试划分、准确率报告): samples/getting-started/HelloWorld/Program.cs 神经网络 点击展开所有神经网络类型 核心架构 NeuralNetwork - 前馈网络 ConvolutionalNeuralNetwork - 用于图像的 CNN RecurrentNeuralNetwork - 用于序列的 RNN LSTMNeuralNetwork - 长短期记忆网络 GRUNeuralNetwork - 门控循环单元 TransformerArchitecture - 基于注意力的模型 ResNetNetwork - 残差网络 DenseNetNetwork - 稠密连接网络 EfficientNetNetwork - 高效缩放 MobileNetV2Network、MobileNetV3Network - 面向移动端优化 生成模型 GenerativeAdversarialNetwork (GAN) DCGAN、ConditionalGAN、CycleGAN ProgressiveGAN、BigGAN、StyleGAN ACGAN、InfoGAN、Pix2Pix Autoencoder、VariationalAutoencoder 图神经网络 GraphNeuralNetwork (GNN) GraphAttentionNetwork (GAT) GraphSAGENetwork GraphIsomorphismNetwork (GIN) GraphGenerationModel 专用架构 CapsuleNetwork - 胶囊网络 SpikingNeuralNetwork - 神经形态计算 QuantumNeuralNetwork - 量子机器学习 HyperbolicNeuralNetwork - 双曲几何 MixtureOfExpertsNeuralNetwork - MoE NeuralTuringMachine - NTM DifferentiableNeuralComputer - DNC MemoryNetwork - 记忆增强网络 EchoStateNetwork - 储备池计算 LiquidStateMachine - 液态状态机 HopfieldNetwork - 联想记忆 RestrictedBoltzmannMachine - RBM DeepBeliefNetwork - DBN DeepBoltzmannMachine - DBM RadialBasisFunctionNetwork - RBF SelfOrganizingMap - SOM ExtremeLearningMachine - ELM NEAT - 神经进化 视觉-语言模型 ClipNeuralNetwork - CLIP BlipNeuralNetwork、Blip2NeuralNetwork - BLIP LLaVANeuralNetwork - LLaVA FlamingoNeuralNetwork - Flamingo Gpt4VisionNeuralNetwork - GPT-4V 注意力机制 AttentionNetwork FlashAttention - 内存高效注意力 MultiHeadAttention 示例: var model = new AiModelBuilder<double, Tensor<double>, Tensor<double>>() .ConfigureModel(new ConvolutionalNeuralNetwork<double>( inputChannels: 3, numClasses: 1000, architecture: CNNArchitecture.ResNet50)) .ConfigureOptimizer(new AdamWOptimizer<double>(learningRate: 0.001)) .ConfigureMixedPrecision() // FP16 training .ConfigureGpuAcceleration() .BuildAsync(trainImages, trainLabels); 分类(50 种算法) 点击展开所有分类算法 集成方法 RandomForestClassifier GradientBoostingClassifier AdaBoostClassifier ExtraTreesClassifier BaggingClassifier StackingClassifier VotingClassifier 朴素贝叶斯 GaussianNaiveBayes MultinomialNaiveBayes BernoulliNaiveBayes ComplementNaiveBayes CategoricalNaiveBayes 线性模型 LogisticRegression RidgeClassifier SGDClassifier PassiveAggressiveClassifier PerceptronClassifier 支持向量机 LinearSupportVectorClassifier SupportVectorClassifier 判别分析 LinearDiscriminantAnalysis QuadraticDiscriminantAnalysis 多标签/多输出 OneVsRestClassifier OneVsOneClassifier ClassifierChain MultiOutputClassifier 最近邻 KNeighborsClassifier 示例: var result = await new AiModelBuilder<double, double[], double>() .ConfigureModel(new RandomForestClassifier<double>(nEstimators: 100)) .ConfigurePreprocessing(pipeline => pipeline .Add(new StandardScaler<double>()) .Add(new SimpleImputer<double>())) .ConfigureCrossValidation(new KFoldCrossValidator<double>(k: 5)) .BuildAsync(features, labels); Console.WriteLine($"Accuracy: {result.CrossValidationResult?.MeanAccuracy:P2}"); 回归(57 种算法)
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。