Аннотация. 

В последние годы технологии машинного обучения становятся всё более распространёнными в таких известных задачах как стилизация изображений, окрашивание чёрно-белых изображений, супер-разрешение изображений, поиск поддельных данных, распознавание голоса и изображений. В связи с этим возникает необходимость в реализации набора инструментов для интеграции систем искусственного интеллекта в приложения для мобильных устройств, устройств умного дома и домашних ПК. Статья посвящена решению, позволяющему разработчикам интегрировать системы анализа данных и искусственного интеллекта непосредственно в приложение, что позволит получить легковесный, портативный, кроссплатформенный монолитный программный продукт, что зачастую невозможно с использованием существующих решений. Основными особенностями предлагаемого решения являются нацеленность на экосистему Microsoft .NET [1], а также использование только стандартных возможностей BCL и языка C#. Реализованный пакет инструментов является исключительно кроссплатформенным и аппаратнонезависимым. API во многом совпадает с аналогичными решениями для Python, что позволяет быстро перенести коды на Python в проект для .NET.

Ключевые слова: 

машинное обучение, Анализ данных, .NET Framework, Mono [2], Xamarin [3],.NET Core [1], .NET Standard [1], Управляемый код.

Стр. 64-72.

DOI: 10.14357/20790279230108

 

 

Литература

1. .NET homepage. Available at: https://dotnet.microsoft.com (accessed November 22, 2022)

2. Mono homepage. Available at: https://www.monoproject.com (accessed November 22, 2022)

3. Xamarin homepage. Available at: https://dotnet.microsoft.com/apps/xamarin (accessed November 22, 2022)

4. Imageio homepage. Available at: https://github.com/imageio/imageio (accessed November 22, 2022)

5. Adam Paszke, Sam Gross, Francisco Massa, Adam Lerer, James Bradbury, Gregory Chanan, Trevor Killeen, Zeming Lin, Natalia Gimelshein, Luca Antiga, Alban Desmaison, Andreas Köpf, Edward Yang, Zach DeVito, Martin Raison, Alykhan Tejani, Sasank Chilamkurthy, Benoit Steiner, Lu Fang, Junjie Bai, Soumith Chintala. 2019. PyTorch: An Imperative Style, High-Performance Deep Learning Library. arXiv:1912.01703. Available

at: https://arxiv.org/abs/1912.01703 (accessed November 22, 2022)

6. convent.js homepage. Available at: https://cs.stanford.edu/people/karpathy/convnetjs (accessed November 22, 2022)

7. Martín Abadi, Ashish Agarwal, Paul Barham, Eugene Brevdo, Zhifeng Chen, Craig Citro, Greg S. Corrado, Andy Davis, Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Ian Goodfellow, Andrew Harp, Geoffrey Irving, Michael Isard, Yangqing Jia, Rafal Jozefowicz, Lukasz Kaiser, Manjunath Kudlur, Josh Levenberg, Dan Mane, Rajat Monga, Sherry Moore, Derek Murray, Chris Olah, Mike Schuster, Jonathon Shlens, Benoit Steiner, Ilya Sutskever, Kunal Talwar, Paul Tucker, Vincent Vanhoucke, Vijay Vasudevan, Fernanda Viegas, Oriol Vinyals, Pete Warden, Martin Wattenberg, Martin Wicke, Yuan Yu, Xiaoqiang Zheng. 2016. TensorFlow: Large-Scale Machine Learning on Heterogeneous

Distributed Systems. arXiv:1603.04467. Available at: https://arxiv.org/abs/1603.04467 (accessed November 22, 2022)

8. ConvNetCS GitHub repository. Available at: https://github.com/mashmawy/ConvNetCS (accessed November 22, 2022)

9. Daniel Smilkov, Nikhil Thorat, Yannick Assogba, Ann Yuan, Nick Kreeger, Ping Yu, Kangyi Zhang, Shanqing Cai, Eric Nielsen, David Soergel, Stan Bileschi, Michael Terry, Charles Nicholson, Sandeep N. Gupta, Sarah Sirajuddin, D. Sculley, Rajat Monga, Greg Corrado, Fernanda B. Viégas, Martin Wattenberg. 2019. TensorFlow.js: Machine Learning for the Web and Beyond.

arXiv:1901.05350. Available at: https://arxiv.org/abs/1901.05350 (accessed November 22, 2022)

10. AlbiruniML GitHub repository. Available at: https://github.com/mashmawy/AlbiruniML (accessed November 22, 2022)

11. SciSharp STACK homepage. Available at: https://scisharp.github.io/SciSharp/ (accessed November 22, 2022)

12. Demos GitHub repository. Available at: https:// github.com/ColorfulSoft/StyleTransfer-

Colorization-SuperResolution (accessed November 22, 2022)

13. David W. Brown. 2018. MyCaffe: A Complete C#Re-Write of Caffe with Reinforcement Learning.

arXiv:1810.02272. Available at: https://arxiv.org/abs/1810.02272 (accessed November 22, 2022)

14. Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long, R. Girshick, S. Guadarrama and T. Darrell. 2014. Caffe: Convolution Architecture for Fast Feature Embedding. arXiv:1408.5093. Available

at: https://arxiv.org/abs/1408.5093 (accessed November 22, 2022)

15. Google Colab homepage. Available at: https://colab.research.google.com (accessed November 22, 2022)

16. Lavin, Scott Gray. 2015. Fast Algorithms for Convolutional Neural Networks.

arXiv:1509.09308. Available at: https://arxiv.org/abs/1509.09308 (accessed November 22, 2022)

17. Anton V. Trusov, Elena E. Limonova, Dmitry P. Nikolaev and Vladimir V. Arlazarov. 2021.

p-im2col: Simple Yet Efficient Convolution Algorithm With Flexibly Controlled Memory Overhead. IEEE Access PP(99):1-1 (2021)