打开终端并创建新的 C# .NET Core 控制台应用程序。 在本例中，应用程序的名称是 AutoMLONNXConsoleApp 。 目录将使用与应用程序的内容相同的名称创建。

dotnet new console -o AutoMLONNXConsoleApp
在终端中，导航到 AutoMLONNXConsoleApp 目录。
cd AutoMLONNXConsoleApp
添加软件包
使用 .NET Core CLI 安装 Microsoft.ML、Microsoft.ML.OnnxRuntime 和 Microsoft.ML.OnnxTransformer NuGet 包  。
dotnet add package Microsoft.ML
dotnet add package Microsoft.ML.OnnxRuntime
dotnet add package Microsoft.ML.OnnxTransformer
这些包中有在 .NET 应用程序中使用 ONNX 模型所需的依赖项。 ML.NET 提供一个使用 ONNX 运行时进行预测的 API。
打开 Program.cs 文件，并在顶部添加以下 using 语句来引用相应的包。
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms.Onnx;
添加对 ONNX 模型的引用
控制台应用程序访问 ONNX 模型的一种方法是将其添加到生成输出目录。  若要详细了解 MSBuild 常见项，请参阅 MSBuild 指南。
在应用程序添加对 ONNX 模型文件的引用
将 ONNX 模型复制到应用程序的 AutoMLONNXConsoleApp 根目录。
打开 AutoMLONNXConsoleApp.csproj 文件，并在 Project 节点中添加以下内容。
<ItemGroup>
    <None Include="automl-model.onnx">
        <CopyToOutputDirectory>PreserveNewest</CopyToOutputDirectory>
    </None>
</ItemGroup>
在本例中，ONNX 模型文件的名称为 automl-model.onnx。
打开 Program.cs 文件，并在 Program 类中添加以下行。
static string ONNX_MODEL_PATH = "automl-model.onnx";
初始化 MLContext
在 Program 类的 Main 方法中，创建 MLContext 的新实例。
MLContext mlContext = new MLContext();
MLContext 类是所有 ML.NET 操作的起点，而初始化 mlContext 会创建一个新的 ML.NET 环境，该环境可在模型生命周期内共享。 在概念上，它类似于实体框架中的 DbContext。
定义模型数据架构
你的模型需要特定格式的输入和输出数据。 使用 ML.NET，可通过类定义数据的格式。 有时，你可能已经知道该格式是怎样的。 如果不知道数据格式，可使用 Netron 之类的工具来检查 ONNX 模型。
本示例中所用的模型使用来自“纽约 TLC 出租车行程”数据集的数据。 下面是数据的示例：
vendor_id
rate_code
passenger_count
trip_time_in_secs
trip_distance
payment_type
fare_amount
选择图形底部的最后一个节点（在本例中为 variable_out1），显示模型的元数据。 侧栏中的输入和输出显示模型的预期输入、输出和数据类型。 使用此信息可定义模型的输入和输出架构。
定义模型输入架构
在 Program.cs 文件中使用以下属性创建一个名为 OnnxInput 的新类。
public class OnnxInput
    [ColumnName("vendor_id")]
    public string VendorId { get; set; }
    [ColumnName("rate_code"),OnnxMapType(typeof(Int64),typeof(Single))]
    public Int64 RateCode { get; set; }
    [ColumnName("passenger_count"), OnnxMapType(typeof(Int64), typeof(Single))]
    public Int64 PassengerCount { get; set; }
    [ColumnName("trip_time_in_secs"), OnnxMapType(typeof(Int64), typeof(Single))]
    public Int64 TripTimeInSecs { get; set; }
    [ColumnName("trip_distance")]
    public float TripDistance { get; set; }
    [ColumnName("payment_type")]
    public string PaymentType { get; set; }
每个属性都将映射到数据集中的一个列。 属性将用特性进一步批注。
利用 ColumnName 特性，可指定在操作数据时 ML.NET 应如何引用该列。 例如，尽管 TripDistance 属性遵循标准的 .NET 命名约定，但该模型只知道名为 trip_distance 的列或功能。 为了解决这种命名差异，ColumnName 特性会按名称 trip_distance 将 TripDistance 属性映射到列或功能。
对于数值，ML.NET 仅对 Single 值类型进行操作。 但是，某些列的原始数据类型为整数。 OnnxMapType 特性在 ONNX 和 ML.NET 之间映射类型。
若要详细了解数据特性，请参阅 ML.NET 加载数据指南。
定义模型输出架构
数据被处理后，它将生成特定格式的输出。 定义数据输出架构。 在 Program.cs 文件中使用以下属性创建一个名为 OnnxOutput 的新类。
public class OnnxOutput
    [ColumnName("variable_out1")]
    public float[] PredictedFare { get; set; }
与 OnnxInput 类似，使用 ColumnName 特性可将 variable_out1 输出映射到更具描述性的名称 PredictedFare。
定义预测管道
ML.NET 中的管道通常是一系列链式转换，它们对输入数据进行操作以生成输出。 若要详细了解数据转换，请参阅 ML.NET 数据转换指南。
在 Program 类中创建名为 GetPredictionPipeline 的新方法
static ITransformer GetPredictionPipeline(MLContext mlContext)
定义输入列和输出列的名称。 将以下代码添加到 GetPredictionPipeline 方法中。
var inputColumns = new string []
    "vendor_id", "rate_code", "passenger_count", "trip_time_in_secs", "trip_distance", "payment_type"
var outputColumns = new string [] { "variable_out1" };
定义管道。 IEstimator 提供管道的操作、输入和输出架构的蓝图。
var onnxPredictionPipeline =
    mlContext
        .Transforms
        .ApplyOnnxModel(
            outputColumnNames: outputColumns,
            inputColumnNames: inputColumns,
            ONNX_MODEL_PATH);
在本例中，ApplyOnnxModel 是管道中的唯一转换，它采用输入列和输出列的名称以及 ONNX 模型文件的路径。
IEstimator 仅定义要应用于数据的操作集。 对数据进行的操作称为 ITransformer。 使用 Fit 方法从 onnxPredictionPipeline 创建一个。
var emptyDv = mlContext.Data.LoadFromEnumerable(new OnnxInput[] {});
return onnxPredictionPipeline.Fit(emptyDv);
Fit 方法需要 IDataView 作为输入以对其执行操作。 IDataView 是一种使用表格格式在 ML.NET 中表示数据的方法。 在本例中，管道仅用于预测，因此你可提供一个空的 IDataView 来为 ITransformer 提供必要的输入和输出架构信息。 然后，系统会返回合适的 ITransformer，以供今后在应用程序中使用。
在此示例中，管道在同一应用程序中定义和使用。 但建议分别使用单独的应用程序来定义和使用管道进行预测。 在 ML.NET 中，可将管道序列化并进行保存，以供今后在其他 .NET 最终用户应用程序中使用。 ML.NET 支持各种部署目标，例如桌面应用程序、Web 服务、WebAssembly 应用程序*等。 若要详细了解如何保存管道，请参阅“ML.NET 保存和加载经过训练的模型”指南。
*WebAssembly 仅在 .NET Core 5 或更高版本中受支持
在 Main 方法中，用所需的参数调用 GetPredictionPipeline 方法。
var onnxPredictionPipeline = GetPredictionPipeline(mlContext);
使用模型进行预测
现在你已有一个管道，可用它来进行预测。 ML.NET 提供了一个方便的 API，用于在名为 PredictionEngine 的单个数据实例上进行预测。
在 Main 方法中，使用 CreatePredictionEngine 方法创建 PredictionEngine。
var onnxPredictionEngine = mlContext.Model.CreatePredictionEngine<OnnxInput, OnnxOutput>(onnxPredictionPipeline);
创建测试数据输入。
var testInput = new OnnxInput
    VendorId = "CMT",
    RateCode = 1,
    PassengerCount = 1,
    TripTimeInSecs = 1271,
    TripDistance = 3.8f,
    PaymentType = "CRD"
通过 Predict 方法基于新的 testInput 数据，使用 predictionEngine 进行预测。
var prediction = onnxPredictionEngine.Predict(testInput);
将预测结果输出到控制台。
Console.WriteLine($"Predicted Fare: {prediction.PredictedFare.First()}");
使用 .NET Core CLI 运行你的应用程序。
dotnet run
结果应类似于以下输出：
Predicted Fare: 15.621523
若要详细了解如何在 ML.NET 中进行预测，请参阅“使用模型进行预测”指南。
将模型部署为 ASP.NET Core Web API
将模型部署为无服务器 .NET Azure 函数