AiDotNet
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:
| AiDotNet | TorchSharp | TensorFlow.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 Vision | YOLO、DETR、Mask R-CNN |
| 处理音频/语音 | Audio | 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 Fine-tuning | QLoRA、DoRA、AdaLoRA |
| 生成图像 | Diffusion Models | Stable Diffusion、DALL-E 3 |
| 训练 RL 智能体 | Reinforcement Learning | DQN、PPO、SAC、多智能体 |
| 预测时间序列 | Time Series | ARIMA、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 | ObjectDetection | YOLOv8 目标检测 |
| 音频 | SpeechRecognition | Whisper 转录 |
| RAG | BasicRAG | 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 | beta | API 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) | beta | CPU 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