ResNet

Dieser Artikel beschreibt die Verwendung der Komponente ResNet im Azure Machine Learning Designer, um ein Bildklassifizierungsmodell mit dem ResNet-Algorithmus zu erstellen.

Dieser Klassifizierungsalgorithmus ist eine überwachte Lernmethode und erfordert ein Dataset 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 ein Modell und ein gekennzeichnetes Bildverzeichnis als Eingaben für das Train PyTorch-Modell bereitstellen. Mit dem trainierten Modell können Sie anschließend Werte für neue Eingabebeispiele mithilfe von Bewerten eines Bildmodells vorhersagen.

Weitere Informationen zu ResNet

Weitere Einzelheiten zu ResNet finden Sie in diesem Artikel.

Konfigurieren von ResNet

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

2. Geben Sie für Modellname den Namen einer bestimmten ResNet-Struktur an, und Sie können unter den unterstützten ResNet-Optionen auswählen: 'resnet18', 'resnet34', 'resnet50', 'resnet101', 'resnet152', 'resnet152', 'resnext50_32x4d', 'resnext101_32x8d', 'wide_resnet50_2', 'wide_resnet101_2'.

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. Bestimmen Sie für Zero init residual, ob die letzte Stapelnormschicht in jedem Restzweig null-initialisiert werden soll. Wenn diese Option ausgewählt ist, beginnt der Restzweig mit Nullen, und jeder Restblock verhält sich wie eine Identität. Dies kann bei der Konvergenz bei großen Stapelgrößen gemäß https://arxiv.org/abs/1706.02677 helfen.

5. Verbinden Sie die Ausgabe der ResNet-Komponente, der Schulungs- und Validierungsbild-Datasetkomponente 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	Range	type	Standard	BESCHREIBUNG
Modellname	Any	Mode	resnext101_32x8d	Name einer bestimmten ResNet-Struktur
Vortrainiert	Any	Boolean	True	Gibt an, ob ein in ImageNet vortrainiertes Modell verwendet werden soll
Rest-Zero init	Any	Boolean	False	Ob die letzte Stapelnormschicht in jedem Restzweig null-initialisiert werden soll

Output

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

Nächste Schritte

Hier finden Sie die für Azure Machine Learning verfügbaren Komponenten.