Newshot

AiDotNet——面向 .NET 的综合性 AI/ML 框架

Translation(model translation, not the source's own text)

AiDotNet

题图
题图

最全面的 .NET AI/ML 框架

从编译后的程序集统计,共有 2,100+ 个模型和 10,500+ 个公开类型

能力AiDotNet
模型(所有类别)2,100+
神经网络架构1,400+
经典 ML 算法390+
计算机视觉模型650+
语言模型430+
音频模型340+
视频模型180+
时间序列模型130+
强化学习智能体75+
扩散模型290+
LoRA 适配器30+
RAG 检索器、重排序器与文档存储35+
GPU 后端CUDA, HIP, Metal, OpenCL, Vulkan, WebGPU

统计数字来自编译后的程序集:一个模型是指带有 [ModelDomain] 特性的公开具体类型,而一个类别则是其声明的领域或分类之一,因此同一个模型可以计入多行。

快速入门 • 示例 • 文档 • API 参考 • 贡献指南

为什么选择 AiDotNet?

模型和组件的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:

AiDotNetTorchSharpTensorFlow.NET
张量引擎托管的 .NET,可选原生加速器(oneDNN、CLBlast、GPU 后端)原生 LibTorch原生 TensorFlow 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

按任务快速入门

你想构建什么?

任务快速链接描述
分类数据Classification二分类、多分类、图像分类
预测数值Regression价格预测、预测
对相似项分组Clustering客户细分、异常检测
检测图像中的对象Computer VisionYOLO、DETR、Mask R-CNN
处理音频/语音AudioWhisper、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 LLMLoRA Fine-tuningQLoRA、DoRA、AdaLoRA
生成图像Diffusion ModelsStable Diffusion、DALL-E 3
训练 RL 智能体Reinforcement LearningDQN、PPO、SAC、多智能体
预测时间序列Time SeriesARIMA、Prophet、N-BEATS
扩展训练Distributed Training多 GPU、多节点

安装


        dotnet add package AiDotNet
      

原生加速二进制文件是 AiDotNet.Tensors 维护的可选包。只需在 AiDotNet 旁安装你需要的后端:


        dotnet add package AiDotNet.Native.CLBlast  # OpenCL BLAS acceleration
dotnet add package AiDotNet.Native.OneDNN   # oneDNN CPU acceleration
      

即使不使用这些包,AiDotNet 也能利用 Tensors 引擎可用的托管内核和自研内核正常工作。

要求:.NET 10.0 / .NET 8.0+(或 .NET Framework 4.7.1+)

Hello World 示例


        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/测试拆分、准确率报告):samples/getting-started/HelloWorld/Program.cs

完整功能参考

神经网络

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

AiDotNet – 面向 .NET 的综合 AI/ML 框架

  • GRUNeuralNetwork - 门控循环单元
  • TransformerArchitecture - 基于注意力的模型
  • ResNetNetwork - 残差网络
  • DenseNetNetwork - 密集连接网络
  • EfficientNetNetwork - 高效缩放
  • MobileNetV2Network, MobileNetV3Network - 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
  • 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

        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)

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

近邻

  • KNeighborsClassifier

        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)

线性模型

  • MultipleRegression
  • PolynomialRegression
  • RidgeRegression
  • LassoRegression
  • ElasticNetRegression
  • BayesianRegression
  • OrthogonalRegression

基于树的方法

  • DecisionTreeRegression
  • GradientBoostingRegression
  • AdaBoostR2Regression
  • ExtremelyRandomizedTreesRegression
  • M5ModelTreeRegression
  • ConditionalInferenceTreeRegression

核方法

  • GaussianProcessRegression
  • KernelRidgeRegression
  • SupportVectorRegression

专用方法

  • IsotonicRegression
  • LocallyWeightedRegression
  • PartialLeastSquaresRegression

AiDotNet – 面向 .NET 的综合 AI/ML 框架

  • MultivariateRegression
  • GeneralizedAdditiveModelRegression

概率模型

  • PoissonRegression
  • NegativeBinomialRegression
  • QuantileRegression
  • RobustRegression

基于神经网络

  • MultilayerPerceptronRegression
  • NeuralNetworkRegression

基于优化

  • GeneticAlgorithmRegression

        var result = await new AiModelBuilder<double, double[], double>()
    .ConfigureModel(new GradientBoostingRegression<double>(
        nEstimators: 200,
        maxDepth: 5,
        learningRate: 0.1))
    .ConfigureHyperparameterOptimizer(
        new BayesianOptimizer<double>(),
        searchSpace: new HyperparameterSearchSpace()
            .AddContinuous("learning_rate", 0.01, 0.3)
            .AddInteger("max_depth", 3, 10),
        trials: 50)
    .BuildAsync(features, targets);
      

聚类(48 种算法)

基于质心

  • KMeansClustering
  • KMedoidsClustering
  • MiniBatchKMeans

基于密度

层次式

  • AgglomerativeClustering

基于模型

  • GaussianMixtureClustering
  • BayesianGaussianMixture

谱聚类

  • SpectralClustering

自组织

距离度量

  • EuclideanDistance
  • ManhattanDistance
  • CosineDistance
  • MahalanobisDistance
  • ChebyshevDistance
  • MinkowskiDistance

验证指标

  • SilhouetteScore
  • DaviesBouldinIndex
  • CalinskiHarabaszIndex
  • AdjustedRandIndex

        var result = await new AiModelBuilder<double, double[], int>()
    .ConfigureModel(new HDBSCAN<double>(minClusterSize: 15, minSamples: 5))
    .ConfigureAutoML(new ClusteringAutoML<double>())  // Auto-tune parameters
    .BuildAsync(features);

Console.WriteLine($"Clusters found: {result.Model.Labels.Distinct().Count()}");
Console.WriteLine($"Silhouette Score: {result.ClusteringMetrics?.SilhouetteScore:F3}");
      

计算机视觉

目标检测

  • YOLO 系列:YOLOv5、YOLOv8、YOLOv9、YOLOv10、YOLOv11
  • 基于 Transformer:DETR、Deformable DETR、DINO
  • 两阶段:Faster R-CNN、Cascade R-CNN
  • 无锚框:FCOS、CenterNet

实例分割

  • Segment Anything(SAM)

语义分割

  • UNet、UNet++

目标跟踪

OCR 与场景文本

  • SceneTextReader
  • 文本检测 + 识别
  • 多语言支持

姿态估计

3D 视觉

  • PointNet、PointNet++
  • NeRF(神经辐射场)

        var builder = new AiModelBuilder<float, Tensor<float>, DetectionResult[]>()
    .ConfigureObjectDetector(new YOLOv8Detector<float>(
        modelSize: YOLOModelSize.Medium,
        confidenceThreshold: 0.5f))
    .ConfigureVisualization(new VisualizationOptions { DrawLabels = true });

var result = await builder.BuildAsync();
var detections = result.Model.Detect(image);

foreach (var det in detections)
    Console.WriteLine($"{det.Label}: {det.Confidence:P1} at {det.BoundingBox}");
      

音频处理

语音识别

  • Whisper:whisper-tiny、whisper-base、whisper-small、whisper-medium、whisper-large
  • Wav2Vec2:多语言

文本转语音

  • XTTS(多说话人、跨语言)

音乐生成

音频分类

  • 音频事件检测
  • 音乐流派分类
  • 环境声音分类

说话人分析

  • 说话人识别
  • 说话人验证
  • 说话人分离

音频增强

  • 降噪
  • 回声消除
  • 语音增强

声源分离

  • 人声/乐器分离
  • 多轨分离

语音活动检测

情感识别

  • 语音情感分类

音乐分析

  • 节拍检测
  • 和弦识别
  • 调性检测
  • 速度估计

        // Speech-to-Text with Whisper
var whisper = new WhisperModel<float>(WhisperModelSize.Medium, language: "en");
var transcription = await whisper.TranscribeAsync(audioFile);
Console.WriteLine(transcription.Text);
      

// 文本转语音 var tts = new VITSModel<float>(voice: "en-US-female"); var audio = await tts.SynthesizeAsync("Hello, world!"); await audio.SaveAsync("output.wav");


        
## 视频处理

### 视频生成

- Stable Video Diffusion

- VideoCrafter

### 动作识别

- Video Swin Transformer

### 视频理解

- 视频描述生成

### 光流

### 视频目标检测

- 视频目标跟踪

- 多目标跟踪

      

var videoGen = new StableVideoDiffusion<float>(); var video = await videoGen.GenerateAsync( prompt: "A cat playing piano", numFrames: 24, fps: 8); await video.SaveAsync("output.mp4");


        
## 强化学习

### 基于价值

- DQNAgent - Deep Q-Network

- DoubleDQNAgent - Double DQN

- DuelingDQNAgent - Dueling 架构

- RainbowDQNAgent - Rainbow(全部改进)

- QLearningAgent、DoubleQLearningAgent

- SARSAAgent、ExpectedSARSAAgent

- NStepQLearningAgent、NStepSARSAAgent

### 策略梯度

- REINFORCEAgent

- A2CAgent - Advantage Actor-Critic

- A3CAgent - 异步 A3C

- PPOAgent - Proximal Policy Optimization

### Actor-Critic

- DDPGAgent - Deep Deterministic PG

- TD3Agent - Twin Delayed DDPG

- SACAgent - Soft Actor-Critic

### 基于模型

- DreamerAgent - 世界模型

- MuZeroAgent - MuZero

- DynaQAgent、DynaQPlusAgent

- PrioritizedSweepingAgent

### 多智能体

- MADDPGAgent - Multi-Agent DDPG

- QMIXAgent - QMIX

### 离线强化学习

- CQLAgent - Conservative Q-Learning

- IQLAgent - Implicit Q-Learning

### 蒙特卡洛

- MonteCarloExploringStartsAgent

- FirstVisitMonteCarloAgent

- EveryVisitMonteCarloAgent

- OffPolicyMonteCarloAgent

### 规划

- MCTSNode - 蒙特卡洛树搜索

- PolicyIterationAgent

- ModifiedPolicyIterationAgent

### 多臂老虎机

- EpsilonGreedyBanditAgent

- UCBBanditAgent

- ThompsonSamplingAgent

- GradientBanditAgent

### 序列模型

- DecisionTransformerAgent

      

var env = new CartPoleEnvironment(); var agent = new PPOAgent<double>( stateSize: env.ObservationSpace, actionSize: env.ActionSpace, hiddenSize: 64, learningRate: 3e-4);

// Training loop for (int episode = 0; episode < 1000; episode++) { var state = env.Reset(); double totalReward = 0;

while (!env.IsDone) { var action = agent.SelectAction(state); var (nextState, reward, done) = env.Step(action); agent.Store(state, action, reward, nextState, done); state = nextState; totalReward += reward; }

agent.Train(); Console.WriteLine($"Episode {episode}: Reward = {totalReward}"); }


        
## 时间序列

### 经典统计模型

- ARModel - 自回归

- MAModel - 移动平均

- ARMAModel - ARMA

- ARIMAModel - ARIMA

- SARIMAModel - 季节性 ARIMA

- ARIMAXModel - 带外生变量的 ARIMAX

- GARCHModel - 波动率建模

- VARModel、VARMAModel - 向量模型

### 指数平滑

- ExponentialSmoothingModel

- HoltWintersModel

### 深度学习

- NBEATSModel - N-BEATS

- NHiTSModel - N-HiTS

- DeepARModel - DeepAR

- TemporalFusionTransformer

- InformerModel - Informer

- AutoformerModel - Autoformer

- ChronosFoundationModel - Chronos

### 异常检测

- TimeSeriesIsolationForest

### 专用模型

- ProphetModel - Facebook Prophet

- StateSpaceModel

- BayesianStructuralTimeSeriesModel

- SpectralAnalysisModel

      

var result = await new AiModelBuilder<double, double[], double>() .ConfigureModel(new NBEATSModel<double>( stackTypes: new[] { StackType.Trend, StackType.Seasonality, StackType.Generic }, horizonSize: 24)) .ConfigureTrainingPipeline(new TrainingPipelineConfiguration<double> { EarlyStopping = new EarlyStoppingConfig { Patience = 10 } }) .BuildAsync(historicalData);

var forecast = result.Model.Forecast(steps: 24);


        
## 检索增强生成

### 向量存储

- 内存向量存储

- FAISS 集成

- Pinecone、Weaviate、Qdrant 适配器

- Chroma、Milvus 支持

### Embedding 模型

- OpenAI embeddings

- HuggingFace embeddings

- Sentence Transformers

- BGE、ColBERT

### 检索器

- 稠密检索器

- 稀疏检索器(BM25)

- 混合检索器

- 多查询检索器

- 自查询检索器

### 重排序器

- 交叉编码器重排序器

- ColBERT 重排序器

- Cohere 重排序器

### 文档处理

- 文本分割器(递归、语义)

- 文档加载器

- 分块策略

### Graph RAG

- 知识图谱构建

- 实体抽取

- 关系抽取

- 图遍历检索

### 查询处理

- 查询扩展

- 查询重写

- HyDE(Hypothetical Document Embeddings)

      

var result = await new AiModelBuilder<float, string, string>() .ConfigureRetrievalAugmentedGeneration( retriever: new HybridRetriever<float>( denseRetriever: new DenseRetriever<float>(embeddingModel), sparseRetriever: new BM25Retriever(), alpha: 0.7f), reranker: new CrossEncoderReranker<float>(), generator: new LLMGenerator<float>(llmClient), queryProcessors: new[] { new QueryExpander() }) .BuildAsync();

var answer = await result.Model.QueryAsync("What is the capital of France?", documents);


        
## LoRA 微调

### 标准 LoRA

- LoRAAdapter - 原始 LoRA

- LoRAPlusAdapter - LoRA+

### 量化

- QLoRAAdapter - 4-bit 量化

- QALoRAAdapter - 量化感知

### 内存高效

- DoRAAdapter - 权重分解

- VeRAAdapter - 非常高效

- NOLAAdapter - 噪声优化

### 秩自适应

- AdaLoRAAdapter - 自适应秩

- DyLoRAAdapter - 动态秩

- ReLoRAAdapter - 递归

### 专用

- LoHaAdapter - Hadamard 积

- LoKrAdapter - Kronecker 积

- MoRAAdapter - 秩混合

- LongLoRAAdapter - 长上下文

- GraphConvolutionalLoRAAdapter - 用于 GNN

### 高级

- PiSSAAdapter - 主奇异值

- FloraAdapter - 浮点

- DeltaLoRAAdapter - Delta 更新

- LoftQAdapter - 量化感知初始化

- ChainLoRAAdapter - 链式适配器

      

var result = await new AiModelBuilder<float, string, string>() .ConfigureLoRA(new QLoRAConfiguration<float> { Rank = 16, Alpha = 32, TargetModules = new[] { "q_proj", "v_proj", "k_proj", "o_proj" }, QuantizationBits = 4, UseDoubleQuantization = true }) .ConfigureFineTuning(new FineTuningConfiguration<float> { BaseModel = "meta-llama/Llama-2-7b-hf", TrainingArguments = new TrainingArguments { NumEpochs = 3, BatchSize = 4, GradientAccumulationSteps = 8 } }) .BuildAsync(trainingData);


        
## 扩散模型

### 图像生成

- StableDiffusionModel

- SDXLModel - Stable Diffusion XL

- DallE3Model - DALL-E 3

- PixArtModel - PixArt

### 图像编辑

- ControlNetModel

- IPAdapterModel

- 图像修复、图像扩展

### 音频生成

- AudioLDMModel、AudioLDM2Model

- MusicGenModel

- RiffusionModel

- DiffWave(TextToSpeech.Vocoders:声码化、无条件与类别条件)

### 视频生成

- StableVideoDiffusion

- AnimateDiffModel

- VideoCrafterModel

### 3D 生成

- DreamFusionModel

- MVDreamModel

- Zero123Model

### 架构

- DDPMModel - 去噪扩散

- ConsistencyModel - 快速推理

- 各种调度器(DDIM、PNDM 等)

      

var diffusion = new SDXLModel<float>(); var image = await diffusion.GenerateAsync( prompt: "A photorealistic cat astronaut on Mars", negativePrompt: "blurry, low quality", width: 1024, height: 1024, numInferenceSteps: 30, guidanceScale: 7.5f);

await image.SaveAsync("output.png");


        
## 分布式训练

### 数据并行

- DDPModel - 分布式数据并行

- DDPOptimizer

### 模型并行

- PipelineParallelModel

- TensorParallelModel

### 完全分片

- FSDPModel - 完全分片数据并行

- ZeROOptimizer(Stage 1、2、3)

# AiDotNet – 面向 .NET 的综合性 AI/ML 框架

- HybridShardedModel

### 通信

- NCCL 后端(NVIDIA)

- Gloo 后端

### 优化

- GradientCompressionOptimizer

- AsyncSGDOptimizer

- LocalSGDOptimizer

- ElasticOptimizer - 容错

      

var result = await new AiModelBuilder<float, Tensor<float>, Tensor<float>>() .ConfigureModel(largeModel) .ConfigureDistributedTraining( strategy: DistributedStrategy.FSDP, backend: new NCCLCommunicationBackend(), configuration: new FSDPConfiguration { ShardingStrategy = ShardingStrategy.FullShard, MixedPrecision = true, ActivationCheckpointing = true }) .ConfigureGpuAcceleration(new GpuAccelerationConfig { DeviceIds = new[] { 0, 1, 2, 3 } }) .BuildAsync(trainData);


        
## 元学习

### 基于优化

- MAMLAlgorithm - 模型无关元学习

- iMAMLAlgorithm - 隐式 MAML

- ReptileAlgorithm

- MetaSGDAlgorithm

- ANILAlgorithm - 几乎无内循环

- BOILAlgorithm - 仅主体内循环

### 基于度量

- ProtoNetsAlgorithm - 原型网络

- MatchingNetworksAlgorithm

- RelationNetworkAlgorithm

### 基于记忆

- MANNAlgorithm - 记忆增强神经网络

- NTMAlgorithm - 神经图灵机

### 混合

- LEOAlgorithm - 潜在嵌入优化

- CNAPAlgorithm - 条件神经自适应过程

- TADAMAlgorithm - 任务相关自适应度量

- MetaOptNetAlgorithm

- GNNMetaAlgorithm - 基于图

      

var result = await new AiModelBuilder<float, Tensor<float>, Tensor<float>>() .ConfigureMetaLearning(new MAMLAlgorithm<float>( innerLearningRate: 0.01f, outerLearningRate: 0.001f, innerSteps: 5)) .BuildAsync(metaTrainTasks);

// Few-shot learning on new task var adapted = result.MetaLearner.Adapt(supportSet, numSteps: 10); var predictions = adapted.Predict(querySet);

自监督学习

对比式

  • MoCo - 动量对比
  • BYOL - 自举你自己的潜在表示
  • SwAV - 交换分配

掩码式

  • MAE - 掩码自编码器

蒸馏

  • DINO - 自蒸馏

评估

  • 线性探测
  • KNN 评估
  • 迁移基准

优化器

自适应学习率

  • AdamOptimizer, AdamWOptimizer
  • AdagradOptimizer
  • AdaDeltaOptimizer
  • AdaMaxOptimizer
  • AMSGradOptimizer
  • NadamOptimizer

基于动量

  • MomentumOptimizer
  • NesterovAcceleratedGradientOptimizer

二阶

  • BFGSOptimizer, LBFGSOptimizer
  • NewtonMethodOptimizer
  • LevenbergMarquardtOptimizer
  • ConjugateGradientOptimizer

大规模

  • LAMBOptimizer - 逐层自适应
  • LARSOptimizer - 逐层速率缩放
  • LionOptimizer - 演化符号动量

正则化

  • FTRLOptimizer - 跟随正则化领导者

进化式

  • GeneticAlgorithmOptimizer
  • ParticleSwarmOptimizer
  • DifferentialEvolutionOptimizer
  • CMAESOptimizer - 协方差矩阵自适应
  • AntColonyOptimizer

专用

  • BayesianOptimizer - 超参数调优
  • NelderMeadOptimizer - 单纯形法
  • CoordinateDescentOptimizer
  • ADMMOptimizer - 交替方向

损失函数

  • 分类:CrossEntropy, BinaryCrossEntropy, FocalLoss, LabelSmoothing
  • 回归:MSE, MAE, Huber, LogCosh, Quantile
  • 分割:Dice, IoU, Tversky, Lovász
  • 度量学习:Triplet, Contrastive, ArcFace, CosFace, Circle
  • 生成式:Wasserstein, Hinge, LSGAN
  • 多任务:不确定性加权, GradNorm

附加功能

AutoML

  • 超参数优化(贝叶斯、随机、网格)
  • 神经架构搜索(NAS)
  • 特征选择
  • 模型选择

联邦学习

  • FedAvg, FedProx, FedNova
  • 安全聚合
  • 差分隐私
  • 客户端选择策略

分词(兼容 HuggingFace)

  • BPE, WordPiece, Unigram, SentencePiece
  • 预训练分词器加载
  • 自定义分词器训练

模型压缩

  • 剪枝(幅度、结构化)
  • 量化(INT8, FP16, INT4)
  • 知识蒸馏
  • 低秩分解

不确定性量化

  • 蒙特卡洛 Dropout
  • 深度集成
  • 贝叶斯神经网络
  • 保形预测

数据增强

  • 图像:翻转、旋转、裁剪、颜色抖动、MixUp、CutMix、AutoAugment
  • 文本:同义词替换、回译、EDA
  • 音频:时间拉伸、音高偏移、噪声注入
  • 表格:SMOTE、ADASYN

实验跟踪

  • 实验管理
  • 指标记录
  • 检查点管理
  • 模型注册

提示工程

  • 提示模板
  • 思维链
  • 少样本学习
  • 提示优化

示例

参见 samples/ 目录获取完整、可运行的示例:

类别示例描述
入门HelloWorld你的第一个 AiDotNet 模型
分类SentimentAnalysis使用 NaiveBayes 进行文本情感分析
计算机视觉ObjectDetectionYOLOv8 目标检测
音频SpeechRecognitionWhisper 转录
RAGBasicRAG构建问答系统
强化学习CartPole训练 PPO 智能体

API 参考

完整 API 文档:docfx 生成的参考位于 ooples.github.io/AiDotNet/api/;叙述性文档和指南位于 aidotnet.dev/docs。

关键命名空间:

  • AiDotNet - 核心构建器和结果类型
  • AiDotNet.NeuralNetworks - 所有神经网络架构
  • AiDotNet.Classification - 分类算法
  • AiDotNet.Regression - 回归算法
  • AiDotNet.Clustering - 聚类算法
  • AiDotNet.ComputerVision - 视觉模型
  • AiDotNet.Audio - 音频处理
  • AiDotNet.ReinforcementLearning - 强化学习智能体
  • AiDotNet.RetrievalAugmentedGeneration - RAG 组件
  • AiDotNet.LoRA - 微调适配器
  • AiDotNet.Diffusion - 扩散模型
  • AiDotNet.DistributedTraining - 分布式策略
  • AiDotNet.MetaLearning - 元学习算法
  • AiDotNet.TimeSeries - 时间序列模型
  • AiDotNet.Optimizers - 优化算法

功能成熟度

该仓库提供了广泛的功能面;并非每个子系统都处于相同的成熟度水平。以下标签为企业用户设定了预期——稳定功能适合当前生产使用;测试版功能可用但可能存在明显的粗糙边缘或 API 变动;实验性功能属于探索性质,不应在生产环境中依赖;预览表示正在进行的工作,可能尚未功能完整;存根表示存在用于向前兼容的接口,但没有实质性实现。

子系统成熟度说明
经典机器学习(回归、分类、聚类、时间序列)稳定长期存在的接口,测试覆盖广泛。
神经网络核心(训练、推理、自动微分 tape)稳定正在积极加固;近期修复了 #1380 / #1382 的模式坍缩 + facade 梯度桥接问题。
优化器(Adam、AdamW、SGD 等)稳定支持按张量 + 扁平向量路径;支持梯度裁剪和混合精度。
层 + 激活函数 + 损失函数beta十一条自底向上的不变量(有限输出、确定性重放、形状一致、参数往返、序列化、taped 对比数值梯度)在核心层上全部通过——ModelFamilyTests/Layers 中共 88 条断言。这仅占约 225 种层类型的一小部分;该测试框架接受新层只需约四行代码,扩展工作仍在进行中。
扩散 / 图像生成beta实现已具备;样本质量基准测试待完成。
强化学习智能体betaAPI 稳定;更广泛的基准测试套件进行中。
联邦学习(DP-SGD、安全聚合)beta隐私原语已具备;生产部署应验证威胁模型。
RAG / 检索beta检索器 + 生成器 + 分块功能可用;LangChain 风格的编排较为轻量。
LoRA 微调beta适配器接线可用;量化 LoRA 路径较新。
AiDotNet.Serving(用于推理的 REST API)beta默认允许列表认证和 CORS;可观测性 + 审计日志仍在开发中。
程序合成(沙箱化代码生成)实验性高风险面——除非明确需要且已隔离,否则应禁用。
ONNX / 外部模型互操作beta导入已覆盖;导出覆盖不完整。
原生加速(OpenBLAS、BLAS、融合内核)betaCPU SIMD 路径已发布;GPU 确定性正在锁定中(见 GpuTransformerDeterminismTests)。
遥测(通过 AIDOTNET_TELEMETRY=true 选择启用)稳定不收集 PII 或模型数据;仅收集使用指标。
许可(BSL 1.1 + 商业层级)稳定API 密钥哈希(PBKDF2-SHA256),在支持的框架上使用 AES-GCM 加密模型产物。
OpenTelemetry 集成(服务端)预览可选启用的脚手架;完整的 meters/traces 进行中。
视觉-语言模型预览大面积(约 360 个源文件)对应约 22 个引用它的测试文件。
文本转语音预览约 245 个源文件对应约 8 个引用它的测试文件。
语音识别预览约 192 个源文件对应约 11 个引用它的测试文件。
视频模型(生成、修复、插值)预览约 221 个源文件对应约 16 个引用它的测试文件。
音频模型(生成、编解码器、音乐)预览约 251 个源文件对应约 21 个引用它的测试文件。
文档理解预览约 69 个源文件对应约 10 个引用它的测试文件。
LoRA 微调 REST 端点桩设计上返回 501——IServableModel 覆盖预测而非训练;请使用进程内 API。契约由 FineTuneWithLoRA_WhenModelExists_Returns501 断言。
重复的类型名。三十三个公共类型名分别在两个命名空间中声明——例如 Donut、LayoutLMv3、StableVideoDiffusion、BarkModel、WaveNet。除两种情况外,两处声明均为独立实现而非副本,且它们的大小往往相差数倍。同时导入两个命名空间的代码在限定其中一方之前无法使用裸名称。
这些标签反映的是对公共仓库的静态审查。它们仅供参考——生产采用者应根据自身的威胁模型和 SLA 要求进行验证。

平台支持

平台状态
Windows✅ 完全支持
Linux✅ 完全支持
macOS✅ 完全支持
.NET 10.0✅ 主要目标
.NET 8.0+✅ 支持
.NET Framework 4.7.1+✅ 支持

GPU 加速

文章标题:AiDotNet – 面向 .NET 的综合性 AI/ML 框架

正文:

后端状态
CUDA (NVIDIA)✅ 完全支持
OpenCL✅ 完全支持
Metal (Apple)🚧 即将推出

贡献

我们欢迎贡献!请参阅 CONTRIBUTING.md 了解指南。

我们尤其欢迎以下方面的帮助:

  • 更多模型实现
  • 性能优化
  • 文档和示例
  • Bug 修复与测试

社区

  • Issues:报告 Bug 或请求功能
  • Discussions:提问或分享想法
  • Security:报告漏洞

许可证

Business Source License 1.1 — 完整条款见 LICENSE。

免费内容(始终免费,无需许可证)

  • 模型训练(所有算法、所有配置)
  • 模型推理与预测
  • 数据预处理、特征工程、AutoML
  • 任意硬件上的 GPU 加速
  • 所有工具函数与辅助程序

需要许可证的内容

  • 模型保存/加载操作(SaveModel、LoadModel、Serialize、Deserialize)
  • 免费试用:30 天或 10 次操作,以先到者为准

许可证层级

层级价格适用对象
Community免费开源、教育、个人项目,以及收入 <$1M 且开发者 <5 人的公司
Professional每席位 $29/月商业用途、个人开发者和小型团队
Enterprise每席位 $99/月大型组织、专属支持、定制 SLA

详情及注册免费社区许可证请参阅定价页面。

每个版本在发布四年后自动转为 Apache License 2.0(依据 LICENSE 文件中的 BSL Change Date / 四周年条款)。

用心为 .NET AI/ML 社区打造

⭐ 在 GitHub 上给我们加星 • 📦 NuGet 包

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by HN AI
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗