#author("2019-05-31T18:01:36+09:00","default:kyo-in","kyo-in") **機械学習による図形推定 [#e2875e85] 機械学習ライブラリ[[ML.net:https://docs.microsoft.com/ja-jp/dotnet/machine-learning/]]を使用し,描かれたストロークの図形を推定して,整形された図形に置き換える機能を実装する. #ref(./shapepredict.gif,50%); **ML.netのインストール [#sf3d923f] ML.netは.NET standard 2.0に依存している.UWPで.NET standard 2.0を使用可能な状態にするには最小ターゲットバージョンを1809にする必要がある. ソリューションエクスプローラーから,Kisozemiプロジェクトのプロパティを開き,[アプリケーション]-[ターゲットバージョン]と[最小バージョン]を共に,1809に変更し,保存,いったんVisual Studioを再起動する. #ref(./target.png,50%); 再起動後,[プロジェクト]-[NuGetパッケージの管理]を開き,[参照]からML.netを検索し,プロジェクトにインストールする. #ref(./nuget.png,50%); **学習モデルの読み込み [#r5ec9fc9] 本来,今回のような分類の機械学習を行う場合,学習データの準備と学習モデルの作成が必要となる. しかし,時間も限られているため,今回はすでに作成されている学習モデルを読み込み,図形の分類推定に使用することとする. 以下のmodel.zipは,楕円と四角の図形を約60個学習させたモデルとなる.model.zipを置いておく場所は後述する. #ref(./model.zip); 適当なButtonを用意し,Clickイベントでmodel.zipを読み込む. ML.netを使用するため,usingに以下を追加: using Microsoft.ML; using Microsoft.ML.Data; クラスのメンバに以下を追加: MLContext mlContext = null; ITransformer strokePredictModel = null; クリックイベント内で実際にmodel.zipを読み込む,''非同期処理(await, async)を使用しているため,イベントメソッドの先頭にasyncを追加すること'': Windows.Storage.StorageFolder storageFolder = Windows.Storage.ApplicationData.Current.LocalFolder; Windows.Storage.StorageFile modelFile = await storageFolder.GetFileAsync("model.zip"); mlContext = new MLContext(); //Define DataViewSchema for data preparation pipeline and trained model DataViewSchema modelSchema; // Load trained model using (System.IO.Stream stream = await modelFile.OpenStreamForReadAsync()) { strokePredictModel = mlContext.Model.Load(stream, out modelSchema); stream.Flush(); } ''注意'' UWPで作成されるアプリはiOSやAndroidのアプリ同様に,端末内のストレージに自由にアクセスすることはできない. そのため, Windows.Storage.StorageFolder storageFolder = Windows.Storage.ApplicationData.Current.LocalFolder; によって,アプリが自由に使えるフォルダを取得している.このフォルダにmodel.zipを置いておくことになるが,このフォルダの場所は環境によりことなるため,各自確認すること. ブレークポイントなどを使用することで,確認,パスのコピーができる. #ref(./path.png,50%); **図形の推定 [#ab8dd1e6] 以下の.csファイルをプロジェクトに追加する.中には機械学習用の入力データ(StrokeData),出力データ(StrokePredict)クラスが定義されている. #ref(./StrokeData.cs); 学習モデルを読み込んだ状態であれば,ストロークを描き終えた後,そのストロークを特徴ベクトルに変換し,それを学習モデルに入力,図形の推定を行い,推定結果を基に該当する図形をストロークの大きさ,位置に生成する. StrokeData input; //input に ストロークを特徴ベクトル化したデータを生成(後述) StrokeData[] inputdata = new[] { input }; IDataView batchinput = mlContext.Data.LoadFromEnumerable(inputdata); IDataView predictions = strokePredictModel.Transform(batchinput); IEnumerable<StrokePredict> strokePredict = mlContext.Data.CreateEnumerable<StrokePredict>(predictions, reuseRowObject: false); foreach(StrokePredict sp in strokePredict) { AddMessage($"Prediction: {(Convert.ToBoolean(sp.Prediction) ? "Ellipse" : "Rect")} | Probability: {sp.Probability} "); var rect = drawingStroke.PathShape.Data.Bounds; if (sp.Prediction == true) //trueであれば楕円として推定されたのでEllipseをrectのサイズ,位置で生成する { Shapeクラスの位置指定はCanvas.Set〜メソッドで行う. Canvas.SetLeft(ellipse, rect.X); Canvas.SetTop(ellipse, rect.Y); **ストロークから特徴ベクトルの生成 [#ea8301d7]