Fork me on GitHub

.NET 9 的新亮点：AI就绪 ，拥抱她

.NET 9 即将发布 RC1, 今年初.NET 团队在发布.NET 9 Preview 1版本时写了一篇文章《我们对 .NET 9 的愿景》，其中特别提到了对AI的展望 .NET 9，我们致力于让 .NET 开发人员更轻松地将人工智能集成到他们现有的和新的应用程序中。 开发人员将找到用于使用 OpenAI 和 OSS 模型（托管和本地）的优秀库和文档，我们将继续在Semantic Kernel,、OpenAI 和 Azure SDK 方面进行合作，以确保 .NET 开发人员拥有构建智能应用程序的一流体验 。

在 .NET 9 中，.NET 社区正在大力推动 AI -- 这非常令人震惊......就像 AI 现在很重要。 在过去大数据、移动互联网时代。由于微软的封闭和不够开放，错过了两个时代，不过在云原生和人工智能时代，.NET已经完成脱胎换骨，变得开放又强大，特别是即将到来的.NET 9，帮助开发人员构建更智能的应用程序方面有非常大的改进。下面是我汇总的.NET 社区里这一年在AI 方面的新进展。

1、TensorFlow.NET升级

TensorFlow.NET 正在通过高性能 C# 绑定和自动微分支持进行升级。完整的 Keras API 现在也采用 C# 语言：

  • 使用 cppSharp 生成的新的高性能 C# 绑定
  • 自定义 C# 运算的自动微分支持
  • Keras API 完全用 C# 实现，允许无缝的模型定义和训练

2、OpenAI SDK 集成

OpenAI SDK 使开发人员能够直接访问 OpenAI 最新的公共 AI 模型，包括 GPT-4 及其结构化输出功能。这意味着您将拥有完整的 API 支持，包括同步和异步 API 以满足您的需求 - 甚至是用于实时处理的流式完成。SDK 是可扩展的，因此您可以进一步自定义它。此外，它还与 Azure OpenAI 进行了集成，用于企业级部署，也方便对接各种兼容OpenAI API的各大模型。这为使用对话式 AI、动态内容生成和 AI 驱动功能（如音频转录和文本转语音生成）构建更智能的 .NET 应用程序提供了大量可能性。

3、ONNX 运行时原生支持

无需再费力地进行单独的软件包安装。 我们获得了一个专用命名空间 （Microsoft.ML.OnnxRuntime），其中包含一个 API 来直接加载和运行 ONNX 模型：

  • 直接模型加载： var session = new InferenceSession（“model.onnx”）;
  • 使用 Span<T> 和 Memory<T> 对输入/输出张量进行高效的内存管理
  • 通过统一 API 支持硬件加速（CPU、GPU、DirectML）

4、开发人员友好的ML.NET 4.0

AutoML 通过多指标优化和时间序列预测支持变得更加智能：

  • AutoML 增强功能：
    • 用于平衡模型选择的多指标优化
    • 支持 AutoML 中的时间序列预测
  • 用于简化模型部署的新 Infer<T> API
  • 将 TensorFlow 和 ONNX 模型转换为 ML.NET 格式以提高性能
  • 新的Microsoft.ML.GenAI ：GenAI包提供一系列流行GenAI模型的torchsharp实现，目标是从相应的Python常规模型加载相同的权重。首先将添加的模型包括Microsoft.ML.GenAI.Core、Microsoft.ML.GenAI.Phi、Microsoft.ML.GenAI.LLaMA和Microsoft.ML.GenAI.Mistral以及Microsoft.ML.GenAI.StableDiffusion。

5、.NET 9 中的 AI 辅助代码生成

AI 辅助代码生成（代码片段、重构、单元测试）通过 dotnet ai 命令集成到 .NET 9 SDK 中，非常棒：

  • 生成代码片段： dotnet ai snippet “mplement a binary search algorithm”
  • 重构现有代码： dotnet ai refactor --file Program.cs --description “Convert to LINQ query”
  • 生成单元测试：dotnet ai test --file MyClass.cs

6、NLP 工具

.NET 9 提供了一组丰富的 NLP 工具，用于标记化、NER*、情感分析和文本分类：

  • 分词和句子分句：
var tokenizer = new Tokenizer();
var tokens = tokenizer.Tokenize("Hello, world!");
  • 命名实体识别 （NER）：
var ner = new NamedEntityRecognizer();
var entities = ner.RecognizeEntities("Microsoft was founded by Bill Gates.");
  • 使用预训练模型进行感知分析和文本分类

7、.NET 9 中的 GPU 加速

.NET 9 中的 GPU 加速比以往任何时候都更容易获得：

  • 用于高效多维数组运算的新 Tensor<T> 类型 ：张量是许多数学模型的基本组成部分，包括深度学习算法。它们是用于保存神经网络中的权重、偏差和中间计算的多维数组。这样可以有效的处理数据和信息流，以用于学习和预测目的。 无论是图像识别、语言理解还是趋势预测，张量在AI的各个方面都发挥着至关重要的作用。 此外，它们还可以更轻松地在 ONNX Runtime、TorchSharp 或 ML.NET 等库之间共享数据、创建自己的数学库或使用 AI 模型开发应用程序。
  • CUDA 互操作改进：
  • 与 Nvidia 的 cuDNN 库集成，用于深度学习基元

8、简化的 AI 模型部署

.NET 9 通过新的 ASP.NET Core 集成简化了 AI 模型部署：

  • 新项目模板：dotnet new webapi --ai -model
  • 模型终端节点的自动 OpenAPI/Swagger 文档
  • 内置模型版本控制和 A/B 测试支持
  • 使用 gRPC 集成提供可扩展的模型服务

9、新的数值 API

.NET 9 引入了新的数值 API，以实现高效的张量和矩阵运算：

  • System.Numerics.Tensor<T> 用于高效的张量运算
  • System.Numerics.Matrix<T> 用于矩阵代数
  • SIMD 加速线性代数例程

10、监控和观察您的 LLM 应用程序

大型语言模型 (LLM) 应用程序需要可靠、高性能和高质量的结果。 开发人员需要在开发和生产环境中测量和跟踪LLM 应用程序的结果和行为，并识别和解决任何问题。

  • 性能监控：我们想知道我们的模型运行速度有多快，它们使用了多少内存，以及它们处理负载的情况。这有助于我们发现瓶颈并优化事情。
  • 模型偏差检测：随着世界的变化，模型会随着时间的推移而过时。我们需要工具来捕捉模型的性能何时开始下滑，这样我们就知道是时候进行重新训练了。
  • 可解释性和透明度：AI 不应该是一个黑匣子。我们必须有办法窥探内部并了解模型如何做出决策。这建立了信任并帮助我们捕捉任何无意的偏见。
  • 道德和偏见监控：AI应该是公平和公正的。我们需要工具来积极检查和解决模型中的任何潜在偏差。

11、.NET 的Semantic kernel

Semantic kernel是一种开源 SDK，可在 .NET 应用中启用 AI 集成和业务流程功能。 对于将一个或多个 AI 服务与其他 API 或 Web 服务、数据存储和自定义代码结合使用的 .NET 应用程序，此 SDK 通常是推荐的 AI 编排工具。 语义内核以以下方式使企业开发人员受益：

  • 简化将 AI 功能集成到现有应用程序中的过程，从而为企业产品提供统一的解决方案。
  • 通过可降低复杂性的抽象，最大限度地缩短使用不同 AI 模型或服务的学习曲线。
  • 通过减少 AI 模型提示和响应的不可预测行为来提高可靠性。 可以微调提示并计划任务，以创建可控且可预测的用户体验。

12、比以往任何时候都更强大.NET 社区

.NET 是开源的，包括 GitHub 上提供的所有库、工具和框架，因此一直在进行大量协作。C# 已经在人工智能领域发展并站稳脚跟，.NET社区也在努力建设中。下面我们列出社区中一些资源供大家参考：

13、.NET 9 + 人工智能

Microsoft 正在 AI 方面进行重大投资，并且他们正在推动 .NET 和开发社区的发展。.NET 生态系统提供了许多强大的工具、库和服务来开发 AI 应用程序。 .NET 支持云和本地 AI 模型连接、适用于各种 AI 和矢量数据库服务的许多不同的 SDK 以及其他工具，有助于构建范围和复杂性不同的智能应用。

posted @ 2024-09-09 23:10  张善友  阅读(56)  评论(1)  编辑  收藏  举报