🎯 Aufruf von Microsoft.Windows.AI aus C++ [Mit Beispielcode]

Seit Windows 10 verfügt Windows standardmäßig über eine Laufzeitumgebung, die KI-Modelle im ONNX-Format ausführen kann. Das ist Windows ML (Windows.AI.MachineLearning).

In diesem Artikel wird konkret mit Beispielcode erklärt, wie Sie Microsoft.Windows.AI.MachineLearning aus C++ (Win32-App-Basis) aufrufen können.

✅ Vorbereitung

◾ Systemanforderungen

• Windows 10 (1809+) oder Windows 11
• Visual Studio 2019 oder neuer (Community-Edition ist in Ordnung)
• C++/WinRT-Unterstützung (Microsoft.Windows.CppWinRT)
• Windows SDK 10.0.17763.0 oder höher

✅ Projektstruktur

Erstellen Sie in Visual Studio ein Projekt mit der folgenden Struktur:

• Typ: C++ Windows Desktop-Anwendung (Leeres Projekt)

• Subsystem: Windows (WinMain)

• Fügen Sie das folgende Paket über NuGet hinzu:

  1	Microsoft.Windows.CppWinRT

✅ Beispielcode

Das Folgende ist ein Minimalbeispiel, das WinMain verwendet und die Win32-API mit Windows.AI.MachineLearning kombiniert.

※ Gehen Sie davon aus, dass das verwendete ONNX-Modell model.onnx ist, und legen Sie es im selben Ordner wie die ausführbare Datei ab.

main.cpp

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

#include <windows.h>
#include <winrt/Windows.AI.MachineLearning.h>
#include <winrt/Windows.Storage.h>

#pragma comment(lib, "windowsapp") // Für WinRT-Verknüpfung

using namespace winrt;
using namespace Windows::AI::MachineLearning;
using namespace Windows::Storage;

int WINAPI WinMain(HINSTANCE hInstance, HINSTANCE, LPSTR, int nCmdShow)
{
    // WinRT-Initialisierung (MTA oder STA ist in Ordnung)
    winrt::init_apartment();

    try {
        // Modelldatei laden
        auto modelFile = StorageFile::GetFileFromPathAsync(L"model.onnx").get();
        LearningModel model = LearningModel::LoadFromStorageFileAsync(modelFile).get();

        // Sitzung erstellen
        LearningModelSession session(model);
        LearningModelBinding binding(session);

        // Modellein- und -ausgabe (hier vorübergehend leere Eingabe)
        // In der Praxis ist eine Bindung z.B. mit TensorFloat erforderlich

        // Inferenz ausführen
        auto result = session.EvaluateAsync(binding, L"").get();

        MessageBox(nullptr, L"Inferenz abgeschlossen", L"Windows ML (C++)", MB_OK);
    }
    catch (winrt::hresult_error const& ex) {
        MessageBox(nullptr, ex.message().c_str(), L"Fehler", MB_ICONERROR);
    }

    return 0;
}

✅ Ergänzung: Wie man Eingabe- und Ausgabe-Tensoren angibt

Je nach Modell ist es erforderlich, vor der Inferenz Tensoren zu erstellen und zu binden.

Beispiel:

1
2
3
4
5
6
7
8

// 1D-Float-Array in Tensor umwandeln
std::vector<float> inputData = {0.5f, 0.3f, 0.2f};
std::vector<int64_t> shape = {1, 3}; // Form: [1, 3]

auto tensor = TensorFloat::CreateFromArray(shape, inputData);

// Eingabebindung (muss mit dem Eingabenamen des Modells übereinstimmen)
binding.Bind(L"input_0", tensor);

Die Ausgabe kann auf ähnliche Weise mit result.Outputs().Lookup(L"output_0") abgerufen werden.

✅ Hinweise zum Debuggen

• Wenn die Modelldatei nicht im Ausführungsordner vorhanden ist, wird eine FileNotFoundException ausgelöst.
• Wenn die Eingabe-/Ausgabenamen nicht übereinstimmen, tritt ein invalid_argument-Fehler auf.
• Die genauen IO-Spezifikationen des Modells können mit Tools wie Netron überprüft werden.

✅ Zusammenfassung

✅ Alternative: Für diejenigen, die WinRT nicht verwenden möchten

• Durch die Verwendung der ONNX Runtime von Microsoft können Sie ONNX-Modelle vollständig ohne WinRT aus C++ heraus behandeln.
• Es ist plattformübergreifend, was gemeinsamen Code auf Windows/Linux ermöglicht.

📌 Fazit

Windows ML (Microsoft.Windows.AI) ist eine leistungsstarke KI-Inferenz-Engine, die robust von C++ aus verwendet werden kann. Wenn Sie native Inferenzen auf Windows benötigen, probieren Sie es aus.

Wenn Sie konkrete Beispiele für die Erstellung von ONNX-Modellen und das Tensor-Binding wünschen, wird dies in einem kommenden Artikel behandelt!