ML-For-Beginners 实战扩展用 ONNX Runtime 构建你的首个菜品推荐 Web 应用【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners读完本章节的练习分类模型训练 ONNX 模型转换 JavaScript 推理你将掌握如何把一个 Scikit-learn 分类模型转化为浏览器可运行的推荐应用。本指南将引导你完成一次从零到能跑的课后作业——从复现训练流程、导出model.onnx到编写index.html调用 ONNX Runtime Web 完成本地推理最终做出一套可自定义扩展的菜品推荐器并验证当前仓库中给出的参考实现的完整运行链路。本作业要求你在已经掌握的技能之上进一步迁移创造把用 ONNX Runtime 转换后的 ONNX 模型构建 JavaScript 网页应用这一套路应用到新的推荐场景上可以是宠物推荐、心情配乐推荐等。仓库中的课程正文给出了完整的参考流程本文将以完成作业为目标把其中的每个环节拆解成可以照做的清单。作业目标与评价标准课程给出的作业原文见 assignment.md核心只有两条动手迁移基于本课练习你已经能用 Onnx Runtime 和转换后的 Onnx 模型搭建 JavaScript 网页应用。请尝试用本课程的数据集或其他来源的数据记得注明来源构建一个新的推荐系统。发挥创意例如可以做一个根据性格属性推荐宠物的应用或根据情绪推荐音乐类型的应用。评分标准Rubric则直接决定了交付物形态标准优秀Exemplary合格Adequate需改进Needs Improvement交付物网页应用与 notebook 均已呈现、文档清晰、可正常运行两者中缺一项或有缺陷两者缺失或有缺陷换句话说一份合格的作业 一个训练/转换模型的 notebook 一个能跑通推理的网页应用 清晰的文档。本文接下来把示例参考方案完整复现一遍作为你完成自定义推荐器的模板。参考方案的整体架构为了让推荐器可落地课程选择了一条轻前端路线模型在 Python 端训练并导出推理全部发生在浏览器端。训练端用 Scikit-learn 的 SVC 对清洗后的菜品数据训练一个多分类模型区分 chinese/indian/japanese/korean/thai 五种菜系。转换端通过skl2onnx把模型转成 ONNX 格式得到一个无 Python 依赖、跨平台的模型文件model.onnx。推理端在浏览器里用 CDN 引入 onnxruntime-web通过ort.InferenceSession加载模型把用户勾选的食材编码成 380 维特征向量喂给模型用返回的菜系标签完成推荐。这种架构与课程前面的 UFO 回归 Web 应用Flask pickle 的全栈 Python 方案形成对照当你的技术栈要求是纯 JavaScript 应用时ONNX 让你同样可以离线、本地地使用模型做推理。课程把食材 → 菜系这种分类判断包装成推荐场景当你看着冰箱里的剩菜、不知道该做什么菜系时勾选手头食材模型会告诉你这些组合更接近哪种菜系。下面逐环节复现。环节一训练并导出 ONNX 分类模型1. 准备数据复用本系列一直使用的清洗后菜品数据集 cleaned_cuisines.csv。先确认结构该 CSV 第一列是无名索引列、第二列是cuisine标签列随后是各食材列。仓库中的文件表头共 382 列扣除前两列后正好剩下380 个食材特征列——这个数字在后面转换模型和编写前端时会反复用到。notebook见 notebook.ipynb中训练的第一步是引入skl2onnx并读取数据!pip install skl2onnx import pandas as pd data pd.read_csv(../data/cleaned_cuisines.csv) data.head()skl2onnx的作用是把 Scikit-learn 模型序列化为 ONNX 格式。接着拆分特征与标签X data.iloc[:, 2:] # 去掉索引列与 cuisine 标签列得到 380 个特征 y data[[cuisine]] # 标签列2. 训练 SVC 模型课程选用SVC支持向量分类器并指出它在此数据集上准确率表现良好。导入所需库并划分训练/测试集from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.model_selection import cross_val_score from sklearn.metrics import accuracy_score, precision_score, confusion_matrix, classification_report X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.3)注意这里刻意设置了probabilityTrue这是为了让模型能输出概率虽然本应用的推理只用到了最终标签。构建并拟合模型model SVC(kernellinear, C10, probabilityTrue, random_state0) model.fit(X_train, y_train.values.ravel())其中kernellinear表示线性核、C10是正则化强度、random_state0保证结果可复现y_train.values.ravel()用于把 DataFrame 标签展平成符合 Scikit-learn 输入要求的一维数组。3. 验证模型质量预测并打印分类报告y_pred model.predict(X_test) print(classification_report(y_test, y_pred))课程记录的一份输出大致如下说明在五种菜系上整体准确率约为 0.79宏平均与加权平均均约 0.79precision recall f1-score support chinese 0.72 0.69 0.70 257 indian 0.91 0.87 0.89 243 japanese 0.79 0.77 0.78 239 korean 0.83 0.79 0.81 236 thai 0.72 0.84 0.78 224 accuracy 0.79 1199 macro avg 0.79 0.79 0.79 1199 weighted avg 0.79 0.79 0.79 1199注意分类报告数值随随机切分浮动。如果你做自定义推荐器可以在 notebook 中把这份报告作为模型质量的证据写进文档——这正好对应 Rubric 中notebook 文档清晰、可运行的要求。4. 转换为 ONNX 模型转换时必须声明正确的张量形状。本数据集有380 个食材特征因此在FloatTensorType中标注[None, 380]None 表示样本数可变运行时实际为 1from skl2onnx import convert_sklearn from skl2onnx.common.data_types import FloatTensorType initial_type [(float_input, FloatTensorType([None, 380]))] options {id(model): {nocl: True, zipmap: False}} onx convert_sklearn(model, initial_typesinitial_type, optionsoptions) with open(./model.onnx, wb) as f: f.write(onx.SerializeToString())这里的两个选项值得展开说明skl2onnx的转换参数化机制zipmap: False对分类模型默认会附带一个 ZipMap 算子把概率输出包装成字典列表结构。对本应用而言并不需要这种结构关闭它可以让输出更简洁。nocl: Truenocl指是否把类别信息包含进模型。将其设为True不包含类别列表可以显著减小模型体积。运行整个 notebook 后当前目录下会生成model.onnx供下一步的网页应用调用。仓库中已保留了这份转换产物 model.onnx可直接用于对照测试。环节二用 Netron 检查模型结构ONNX 是二进制模型格式在编辑器里无法直观阅读。课程推荐使用Netron这类模型可视化工具打开model.onnx检查模型是否构建正确。你应当能看到输入节点名为float_input、形状为 380 维以及模型末尾的分类器/输出节点。这一步在开发中很重要因为它能帮你确认前端代码里要用到的输入张量名与形状——参考实现中feeds { float_input: input }里的float_input正是训练阶段定义的名字可以用 Netron 验证核对。如果是自建模型务必用同样的方式确认输出节点名例如label与输入节点名避免推理时报错。环节三编写浏览器端推理应用1. 页面骨架与食材勾选区在与model.onnx同一目录下创建index.html。先搭好 HTML 骨架!DOCTYPE html html header titleCuisine Matcher/title /header body ... /body /html然后在body中放置一组代表食材的复选框。每个 checkbox 的value是该食材在 380 个特征中的索引下标例如 apple 在按字母排序的食材列表中位于第 5 列从 0 计数的下标 4。仓库中的 ingredient_indexes.csv共 380 个字段正是用来查询食材名 → 下标的索引表h1Check your refrigerator. What can you create?/h1 div idwrapper div classboxCont input typecheckbox value4 classcheckbox labelapple/label /div div classboxCont input typecheckbox value247 classcheckbox labelpear/label /div div classboxCont input typecheckbox value77 classcheckbox labelcherry/label /div div classboxCont input typecheckbox value126 classcheckbox labelfenugreek/label /div div classboxCont input typecheckbox value302 classcheckbox labelsake/label /div div classboxCont input typecheckbox value327 classcheckbox labelsoy sauce/label /div div classboxCont input typecheckbox value112 classcheckbox labelcumin/label /div /div div stylepadding-top:10px button onClickstartInference()What kind of cuisine can you make?/button /div这些示例食材取自参考实现 index.html可与 ingredient_indexes.csv 中的字段逐一对应验证例如第 4 个字段即apple。2. 引入 ONNX Runtime Web在最后一个闭合/div之后通过 CDN 引入 onnxruntime-web得到全局对象ortscript srchttps://cdn.jsdelivr.net/npm/onnxruntime-web1.9.0/dist/ort.min.js/scriptONNX Runtime 让同一个 ONNX 模型可以运行在广泛的硬件平台上并提供统一的调用 API在浏览器场景中它会在 WebAssembly 等后端上执行模型推理。3. 编码特征与执行推理接下来编写推理脚本。整体逻辑分为初始化 380 维特征数组 → 监听复选框变化实时改写特征 → 校验是否至少勾选一项 → 加载模型并推理script const ingredients Array(380).fill(0); const checks [...document.querySelectorAll(.checkbox)]; checks.forEach(check { check.addEventListener(change, function() { // 依据复选框勾选状态把该食材下标处的特征置 1 或 0 ingredients[check.value] check.checked ? 1 : 0; }); }); function testCheckboxes() { // 校验是否至少勾选了一个复选框 return checks.some(check check.checked); } async function startInference() { let atLeastOneChecked testCheckboxes() if (!atLeastOneChecked) { alert(Please select at least one ingredient.); return; } try { // 创建推理会话并加载模型 const session await ort.InferenceSession.create(./model.onnx); const input new ort.Tensor(new Float32Array(ingredients), [1, 380]); const feeds { float_input: input }; // 喂入输入并运行 const results await session.run(feeds); // 读取结果 alert(You can enjoy results.label.data[0] cuisine today!) } catch (e) { console.log(failed to inference ONNX model); console.error(e); } } /script这段代码在完成五件事拆开来看构建特征向量创建长度为 380、初始全 0 的数组。当某个食材复选框被勾选时把该下标对应的位置改成 1取消勾选则改回 0。这就是模型期望的此样本是否含某食材的多热编码。监听复选框把页面上所有.checkbox元素收集起来逐一绑定change事件实时同步ingredients数组。输入校验testCheckboxes()用Array.some()判断是否至少有一项被勾选没有则弹窗提示并终止避免把全 0 向量发给模型。异步推理入口点击按钮触发startInference()勾选校验通过后进入 try 块。推理例行程序用ort.InferenceSession.create(./model.onnx)异步加载模型./model.onnx需与页面同目录用new ort.Tensor(new Float32Array(ingredients), [1, 380])构造形状为[1, 380]的张量构造feeds { float_input: input }键名必须与训练时定义的输入名一致session.run(feeds)执行推理从results.label.data[0]取回预测的菜系标签并弹出提示。环节四本地运行与结果验证在存放index.html的目录打开终端。确保全局安装了http-server随后启动http-server浏览器会自动打开 localhost 页面。勾选若干食材点击按钮即可看到推荐的菜系结果。如果你希望立刻验证可以参照仓库中的参考实现与现成的 model.onnx 启动同款应用。运行前提index.html与model.onnx必须处于同一目录且推理脚本中的相对路径./model.onnx与输入名float_input需与实际模型一致。仓库中的 model.onnx 由训练阶段FloatTensorType([None, 380])生成因此页面张量形状固定为[1, 380]。作业扩展方向与完成清单完成示例复刻后作业要求你把它改造成属于你自己的推荐系统。方向提示宠物推荐器用性格属性做特征列、宠物品种做标签列训练分类模型后同样转换 ONNX。音乐类型推荐器用人情绪或音乐特征做输入、音乐流派做输出。也可以继续深挖食材主题使用 ingredient_indexes.csv 的全部 380 个食材及其下标探索哪些风味组合能拼出某道国民菜。无论选哪个方向对照 Rubric 自检交付物notebook 完整可运行包含数据来源说明、训练、分类报告、ONNX 转换与导出代码网页应用可用index.html与model.onnx同目录复选框值对应新数据集的真实特征下标输入名/形状与新模型匹配两者都有清晰的文档最好用项目 README 的写作风格说明运行方式与设计思路。课程还建议继续阅读推荐系统领域的相关资料进行自我拓展。把上述三个环节完整走通、并把模型与页面参数一一对应检查你就交付了一份符合优秀标准的作业同时也掌握了Python 训练 ONNX 转换 浏览器推理这一可复用到多种应用场景的完整链路。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ML-For-Beginners 实战扩展：用 ONNX Runtime 构建你的首个菜品推荐 Web 应用
ML-For-Beginners 实战扩展用 ONNX Runtime 构建你的首个菜品推荐 Web 应用【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners读完本章节的练习分类模型训练 ONNX 模型转换 JavaScript 推理你将掌握如何把一个 Scikit-learn 分类模型转化为浏览器可运行的推荐应用。本指南将引导你完成一次从零到能跑的课后作业——从复现训练流程、导出model.onnx到编写index.html调用 ONNX Runtime Web 完成本地推理最终做出一套可自定义扩展的菜品推荐器并验证当前仓库中给出的参考实现的完整运行链路。本作业要求你在已经掌握的技能之上进一步迁移创造把用 ONNX Runtime 转换后的 ONNX 模型构建 JavaScript 网页应用这一套路应用到新的推荐场景上可以是宠物推荐、心情配乐推荐等。仓库中的课程正文给出了完整的参考流程本文将以完成作业为目标把其中的每个环节拆解成可以照做的清单。作业目标与评价标准课程给出的作业原文见 assignment.md核心只有两条动手迁移基于本课练习你已经能用 Onnx Runtime 和转换后的 Onnx 模型搭建 JavaScript 网页应用。请尝试用本课程的数据集或其他来源的数据记得注明来源构建一个新的推荐系统。发挥创意例如可以做一个根据性格属性推荐宠物的应用或根据情绪推荐音乐类型的应用。评分标准Rubric则直接决定了交付物形态标准优秀Exemplary合格Adequate需改进Needs Improvement交付物网页应用与 notebook 均已呈现、文档清晰、可正常运行两者中缺一项或有缺陷两者缺失或有缺陷换句话说一份合格的作业 一个训练/转换模型的 notebook 一个能跑通推理的网页应用 清晰的文档。本文接下来把示例参考方案完整复现一遍作为你完成自定义推荐器的模板。参考方案的整体架构为了让推荐器可落地课程选择了一条轻前端路线模型在 Python 端训练并导出推理全部发生在浏览器端。训练端用 Scikit-learn 的 SVC 对清洗后的菜品数据训练一个多分类模型区分 chinese/indian/japanese/korean/thai 五种菜系。转换端通过skl2onnx把模型转成 ONNX 格式得到一个无 Python 依赖、跨平台的模型文件model.onnx。推理端在浏览器里用 CDN 引入 onnxruntime-web通过ort.InferenceSession加载模型把用户勾选的食材编码成 380 维特征向量喂给模型用返回的菜系标签完成推荐。这种架构与课程前面的 UFO 回归 Web 应用Flask pickle 的全栈 Python 方案形成对照当你的技术栈要求是纯 JavaScript 应用时ONNX 让你同样可以离线、本地地使用模型做推理。课程把食材 → 菜系这种分类判断包装成推荐场景当你看着冰箱里的剩菜、不知道该做什么菜系时勾选手头食材模型会告诉你这些组合更接近哪种菜系。下面逐环节复现。环节一训练并导出 ONNX 分类模型1. 准备数据复用本系列一直使用的清洗后菜品数据集 cleaned_cuisines.csv。先确认结构该 CSV 第一列是无名索引列、第二列是cuisine标签列随后是各食材列。仓库中的文件表头共 382 列扣除前两列后正好剩下380 个食材特征列——这个数字在后面转换模型和编写前端时会反复用到。notebook见 notebook.ipynb中训练的第一步是引入skl2onnx并读取数据!pip install skl2onnx import pandas as pd data pd.read_csv(../data/cleaned_cuisines.csv) data.head()skl2onnx的作用是把 Scikit-learn 模型序列化为 ONNX 格式。接着拆分特征与标签X data.iloc[:, 2:] # 去掉索引列与 cuisine 标签列得到 380 个特征 y data[[cuisine]] # 标签列2. 训练 SVC 模型课程选用SVC支持向量分类器并指出它在此数据集上准确率表现良好。导入所需库并划分训练/测试集from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.model_selection import cross_val_score from sklearn.metrics import accuracy_score, precision_score, confusion_matrix, classification_report X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.3)注意这里刻意设置了probabilityTrue这是为了让模型能输出概率虽然本应用的推理只用到了最终标签。构建并拟合模型model SVC(kernellinear, C10, probabilityTrue, random_state0) model.fit(X_train, y_train.values.ravel())其中kernellinear表示线性核、C10是正则化强度、random_state0保证结果可复现y_train.values.ravel()用于把 DataFrame 标签展平成符合 Scikit-learn 输入要求的一维数组。3. 验证模型质量预测并打印分类报告y_pred model.predict(X_test) print(classification_report(y_test, y_pred))课程记录的一份输出大致如下说明在五种菜系上整体准确率约为 0.79宏平均与加权平均均约 0.79precision recall f1-score support chinese 0.72 0.69 0.70 257 indian 0.91 0.87 0.89 243 japanese 0.79 0.77 0.78 239 korean 0.83 0.79 0.81 236 thai 0.72 0.84 0.78 224 accuracy 0.79 1199 macro avg 0.79 0.79 0.79 1199 weighted avg 0.79 0.79 0.79 1199注意分类报告数值随随机切分浮动。如果你做自定义推荐器可以在 notebook 中把这份报告作为模型质量的证据写进文档——这正好对应 Rubric 中notebook 文档清晰、可运行的要求。4. 转换为 ONNX 模型转换时必须声明正确的张量形状。本数据集有380 个食材特征因此在FloatTensorType中标注[None, 380]None 表示样本数可变运行时实际为 1from skl2onnx import convert_sklearn from skl2onnx.common.data_types import FloatTensorType initial_type [(float_input, FloatTensorType([None, 380]))] options {id(model): {nocl: True, zipmap: False}} onx convert_sklearn(model, initial_typesinitial_type, optionsoptions) with open(./model.onnx, wb) as f: f.write(onx.SerializeToString())这里的两个选项值得展开说明skl2onnx的转换参数化机制zipmap: False对分类模型默认会附带一个 ZipMap 算子把概率输出包装成字典列表结构。对本应用而言并不需要这种结构关闭它可以让输出更简洁。nocl: Truenocl指是否把类别信息包含进模型。将其设为True不包含类别列表可以显著减小模型体积。运行整个 notebook 后当前目录下会生成model.onnx供下一步的网页应用调用。仓库中已保留了这份转换产物 model.onnx可直接用于对照测试。环节二用 Netron 检查模型结构ONNX 是二进制模型格式在编辑器里无法直观阅读。课程推荐使用Netron这类模型可视化工具打开model.onnx检查模型是否构建正确。你应当能看到输入节点名为float_input、形状为 380 维以及模型末尾的分类器/输出节点。这一步在开发中很重要因为它能帮你确认前端代码里要用到的输入张量名与形状——参考实现中feeds { float_input: input }里的float_input正是训练阶段定义的名字可以用 Netron 验证核对。如果是自建模型务必用同样的方式确认输出节点名例如label与输入节点名避免推理时报错。环节三编写浏览器端推理应用1. 页面骨架与食材勾选区在与model.onnx同一目录下创建index.html。先搭好 HTML 骨架!DOCTYPE html html header titleCuisine Matcher/title /header body ... /body /html然后在body中放置一组代表食材的复选框。每个 checkbox 的value是该食材在 380 个特征中的索引下标例如 apple 在按字母排序的食材列表中位于第 5 列从 0 计数的下标 4。仓库中的 ingredient_indexes.csv共 380 个字段正是用来查询食材名 → 下标的索引表h1Check your refrigerator. What can you create?/h1 div idwrapper div classboxCont input typecheckbox value4 classcheckbox labelapple/label /div div classboxCont input typecheckbox value247 classcheckbox labelpear/label /div div classboxCont input typecheckbox value77 classcheckbox labelcherry/label /div div classboxCont input typecheckbox value126 classcheckbox labelfenugreek/label /div div classboxCont input typecheckbox value302 classcheckbox labelsake/label /div div classboxCont input typecheckbox value327 classcheckbox labelsoy sauce/label /div div classboxCont input typecheckbox value112 classcheckbox labelcumin/label /div /div div stylepadding-top:10px button onClickstartInference()What kind of cuisine can you make?/button /div这些示例食材取自参考实现 index.html可与 ingredient_indexes.csv 中的字段逐一对应验证例如第 4 个字段即apple。2. 引入 ONNX Runtime Web在最后一个闭合/div之后通过 CDN 引入 onnxruntime-web得到全局对象ortscript srchttps://cdn.jsdelivr.net/npm/onnxruntime-web1.9.0/dist/ort.min.js/scriptONNX Runtime 让同一个 ONNX 模型可以运行在广泛的硬件平台上并提供统一的调用 API在浏览器场景中它会在 WebAssembly 等后端上执行模型推理。3. 编码特征与执行推理接下来编写推理脚本。整体逻辑分为初始化 380 维特征数组 → 监听复选框变化实时改写特征 → 校验是否至少勾选一项 → 加载模型并推理script const ingredients Array(380).fill(0); const checks [...document.querySelectorAll(.checkbox)]; checks.forEach(check { check.addEventListener(change, function() { // 依据复选框勾选状态把该食材下标处的特征置 1 或 0 ingredients[check.value] check.checked ? 1 : 0; }); }); function testCheckboxes() { // 校验是否至少勾选了一个复选框 return checks.some(check check.checked); } async function startInference() { let atLeastOneChecked testCheckboxes() if (!atLeastOneChecked) { alert(Please select at least one ingredient.); return; } try { // 创建推理会话并加载模型 const session await ort.InferenceSession.create(./model.onnx); const input new ort.Tensor(new Float32Array(ingredients), [1, 380]); const feeds { float_input: input }; // 喂入输入并运行 const results await session.run(feeds); // 读取结果 alert(You can enjoy results.label.data[0] cuisine today!) } catch (e) { console.log(failed to inference ONNX model); console.error(e); } } /script这段代码在完成五件事拆开来看构建特征向量创建长度为 380、初始全 0 的数组。当某个食材复选框被勾选时把该下标对应的位置改成 1取消勾选则改回 0。这就是模型期望的此样本是否含某食材的多热编码。监听复选框把页面上所有.checkbox元素收集起来逐一绑定change事件实时同步ingredients数组。输入校验testCheckboxes()用Array.some()判断是否至少有一项被勾选没有则弹窗提示并终止避免把全 0 向量发给模型。异步推理入口点击按钮触发startInference()勾选校验通过后进入 try 块。推理例行程序用ort.InferenceSession.create(./model.onnx)异步加载模型./model.onnx需与页面同目录用new ort.Tensor(new Float32Array(ingredients), [1, 380])构造形状为[1, 380]的张量构造feeds { float_input: input }键名必须与训练时定义的输入名一致session.run(feeds)执行推理从results.label.data[0]取回预测的菜系标签并弹出提示。环节四本地运行与结果验证在存放index.html的目录打开终端。确保全局安装了http-server随后启动http-server浏览器会自动打开 localhost 页面。勾选若干食材点击按钮即可看到推荐的菜系结果。如果你希望立刻验证可以参照仓库中的参考实现与现成的 model.onnx 启动同款应用。运行前提index.html与model.onnx必须处于同一目录且推理脚本中的相对路径./model.onnx与输入名float_input需与实际模型一致。仓库中的 model.onnx 由训练阶段FloatTensorType([None, 380])生成因此页面张量形状固定为[1, 380]。作业扩展方向与完成清单完成示例复刻后作业要求你把它改造成属于你自己的推荐系统。方向提示宠物推荐器用性格属性做特征列、宠物品种做标签列训练分类模型后同样转换 ONNX。音乐类型推荐器用人情绪或音乐特征做输入、音乐流派做输出。也可以继续深挖食材主题使用 ingredient_indexes.csv 的全部 380 个食材及其下标探索哪些风味组合能拼出某道国民菜。无论选哪个方向对照 Rubric 自检交付物notebook 完整可运行包含数据来源说明、训练、分类报告、ONNX 转换与导出代码网页应用可用index.html与model.onnx同目录复选框值对应新数据集的真实特征下标输入名/形状与新模型匹配两者都有清晰的文档最好用项目 README 的写作风格说明运行方式与设计思路。课程还建议继续阅读推荐系统领域的相关资料进行自我拓展。把上述三个环节完整走通、并把模型与页面参数一一对应检查你就交付了一份符合优秀标准的作业同时也掌握了Python 训练 ONNX 转换 浏览器推理这一可复用到多种应用场景的完整链路。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考