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")
Saran dan Komentar
https://aka.ms/ContentUserFeedback.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat:Kirim dan lihat umpan balik untuk