Freigeben über

DenseNet

In diesem Artikel wird beschrieben, wie Sie mit der DenseNet-Komponente im Azure Machine Learning-Designer ein Bildklassifizierungsmodell mithilfe des DenseNet-Algorithmus erstellen.

Dieser Klassifizierungsalgorithmus ist eine überwachte Lernmethode und erfordert ein Imageverzeichnis mit Bezeichnungen.

Hinweis

Diese Komponente unterstützt keine beschrifteten Datensätze, die von Datenbeschriftung im Studio erzeugt wurden, sondern nur beschriftete Bildverzeichnisse, die von In Bildverzeichnis konvertieren Komponente.

Sie können das Modell trainieren, indem Sie das Modell und das gekennzeichnete Bildverzeichnis als Eingaben für das Train PyTorch-Modell angeben. Mit dem trainierten Modell können Sie anschließend Werte für neue Eingabebeispiele mithilfe von Bewerten eines Bildmodells vorhersagen.

Weitere Informationen zu DenseNet

Weitere Informationen zu DenseNet finden Sie in der Forschungsarbeit Densely Connected Convolutional Networks.

Konfigurieren von DenseNet

  1. Fügen Sie die Komponente DenseNet zu Ihrer Pipeline im Designer hinzu.

  2. Geben Sie als Modellnamen den Namen einer bestimmten DenseNet-Struktur ein. Es stehen verschiedene unterstützte Strukturen zur Wahl, „densenet121“, „densenet161“, „densenet169“, „densenet201“.

  3. Geben Sie unter Vortrainiert an, ob ein in ImageNet vortrainiertes Modell verwendet werden soll. Bei Auswahl dieser Option können Sie das Modell basierend auf dem ausgewählten vortrainierten Modell optimieren. Wird die Auswahl aufgehoben, können Sie von Grund auf neu trainieren.

  4. Geben Sie unter Memory efficient (arbeitsspeichereffizient) an, ob Prüfpunktausführung verwendet werden soll, die viel arbeitsspeichereffizienter, aber langsamer ist. Weitere Informationen finden Sie in der Forschungsarbeit Memory-Efficient Implementation of DenseNets.

  5. Verbinden Sie die Ausgabe der Component "DenseNet ", "Training" und "Validation Image Dataset"-Komponente mit dem Train PyTorch-Modell.

  6. Übermitteln Sie die Pipeline.

Ergebnisse

Nachdem die Pipeline-Ausführung abgeschlossen ist und um das Modell für die Bewertung zu verwenden, verbinden Sie das Train PyTorch Model mit dem Score Image Model, um Werte für neue Eingabebeispiele vorherzusagen.

Technische Hinweise

Komponentenparameter

Name Bereich type Standard BESCHREIBUNG
Modellname Beliebig Modus densenet201 Name einer bestimmten DenseNet-Struktur
Vortrainiert Beliebig Boolescher Typ (Boolean) Richtig Gibt an, ob ein in ImageNet vortrainiertes Modell verwendet werden soll
Arbeitsspeichereffizient Beliebig Boolescher Typ (Boolean) Falsch Ob Prüfpunktausführung verwendet werden soll, die viel arbeitsspeichereffizienter, aber langsamer ist

Ausgabe

Name type BESCHREIBUNG
Untrainiertes Modell UntrainedModelDirectory Ein untrainiertes DenseNet-Modell, das mit dem Train PyTorch-Modell verbunden werden kann.

Nächste Schritte

Hier finden Sie die für Azure Machine Learning verfügbaren Komponenten.