extractPixels: Machine Learning Extract Pixel Data Transform

Mengekstrak nilai piksel dari gambar.

Penggunaan

  extractPixels(vars, useAlpha = FALSE, useRed = TRUE, useGreen = TRUE,
    useBlue = TRUE, interleaveARGB = FALSE, convert = TRUE, offset = NULL,
    scale = NULL)

Argumen

vars

Daftar vektor karakter bernama nama variabel input dan nama variabel output. Perhatikan bahwa variabel input harus memiliki jenis yang sama. Untuk pemetaan satu-ke-satu antara variabel input dan output, vektor karakter bernama dapat digunakan.

useAlpha

Menentukan apakah akan menggunakan saluran alfa. Nilai defaultnya adalah FALSE.

useRed

Menentukan apakah akan menggunakan saluran merah. Nilai defaultnya adalah TRUE.

useGreen

Menentukan apakah akan menggunakan saluran hijau. Nilai defaultnya adalah TRUE.

useBlue

Menentukan apakah akan menggunakan saluran biru. Nilai defaultnya adalah TRUE.

interleaveARGB

Apakah akan memisahkan setiap saluran atau melakukan interleave dalam urutan ARGB. Ini mungkin penting, misalnya, jika Anda melatih jaringan neural konvolusional, karena ini akan memengaruhi bentuk kernel, langkah dll.

convert

Apakah akan mengonversi ke titik mengambang. Nilai defaultnya adalah FALSE.

offset

Menentukan offset (pra-skala). Ini membutuhkan convert = TRUE. Nilai defaultnya adalah NULL.

scale

Menentukan faktor skala. Ini membutuhkan convert = TRUE. Nilai defaultnya adalah NULL.

Detail

extractPixels mengekstrak nilai piksel dari gambar. Variabel input adalah gambar dengan ukuran yang sama, biasanya output transformasi resizeImage . Outputnya adalah data piksel dalam bentuk vektor yang biasanya digunakan sebagai fitur untuk pelajar.

Nilai

Objek maml yang menentukan transformasi.

Penulis

Microsoft Corporation Microsoft Technical Support

Contoh

 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")