extractPixels : transformation d’extraction de données de pixels de Machine Learning
Extrait les valeurs en pixels d’une image.
Utilisation
extractPixels(vars, useAlpha = FALSE, useRed = TRUE, useGreen = TRUE,
useBlue = TRUE, interleaveARGB = FALSE, convert = TRUE, offset = NULL,
scale = NULL)
Arguments
vars
Liste nommée de vecteurs de caractères des noms de variables d’entrée, et le nom de la variable de sortie. Notez que les variables d’entrée doivent être du même type. Pour les mappages un-à-un entre les variables d’entrée et de sortie, un vecteur de caractères nommé peut être utilisé.
useAlpha
Spécifie s’il faut utiliser le canal alpha. La valeur par défaut est FALSE
.
useRed
Spécifie s’il faut utiliser le canal rouge. La valeur par défaut est TRUE
.
useGreen
Spécifie s’il faut utiliser le canal vert. La valeur par défaut est TRUE
.
useBlue
Spécifie s’il faut utiliser le canal bleu. La valeur par défaut est TRUE
.
interleaveARGB
Spécifie s’il faut séparer chaque canal ou les entrelacer dans l’ordre ARVB. Cela peut être important, par exemple, si vous formez un réseau neuronal convolutif, car cela affecterait la forme du noyau, le stride, etc.
convert
Valeur à convertir en nombre à virgule flottante. La valeur par défaut est FALSE
.
offset
Spécifie le décalage (pré-échelle). Cela nécessite convert = TRUE
. La valeur par défaut est NULL
.
scale
Spécifie le facteur d’échelle. Cela nécessite convert = TRUE
. La valeur par défaut est NULL
.
Détails
extractPixels
extrait les valeurs en pixels d’une image. Les variables d’entrée sont des images de la même taille, en général la sortie d’une transformation resizeImage
. La sortie est une donnée de type pixel sous forme vectorielle qui est généralement utilisée en tant que caractéristique pour un apprenant.
Valeur
Un objet maml
définissant la transformation.
Auteur(s)
Microsoft Corporation Microsoft Technical Support
Exemples
train <- data.frame(Path = c(system.file("help/figures/RevolutionAnalyticslogo.png", package = "MicrosoftML")), Label = c(TRUE), stringsAsFactors = FALSE)
# Loads the images from variable Path, resizes the images to 1x1 pixels and trains a neural net.
model <- rxNeuralNet(
Label ~ Features,
data = train,
mlTransforms = list(
loadImage(vars = list(Features = "Path")),
resizeImage(vars = "Features", width = 1, height = 1, resizing = "Aniso"),
extractPixels(vars = "Features")
),
mlTransformVars = "Path",
numHiddenNodes = 1,
numIterations = 1)
# Featurizes the images from variable Path using the default model, and trains a linear model on the result.
model <- rxFastLinear(
Label ~ Features,
data = train,
mlTransforms = list(
loadImage(vars = list(Features = "Path")),
resizeImage(vars = "Features", width = 224, height = 224), # If dnnModel == "AlexNet", the image has to be resized to 227x227.
extractPixels(vars = "Features"),
featurizeImage(var = "Features")
),
mlTransformVars = "Path")
Commentaires
https://aka.ms/ContentUserFeedback.
Bientôt disponible : Tout au long de l’année 2024, nous abandonnerons progressivement le mécanisme de retour d’information GitHub Issues pour le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultez :Soumettre et afficher des commentaires pour