DenseNet

Questo articolo descrive come usare il componente DenseNet nella finestra di progettazione di Azure Machine Learning per creare un modello di classificazione delle immagini usando l'algoritmo Densenet.

Questo algoritmo di classificazione è un metodo di apprendimento supervisionato e richiede una directory di immagini etichettata.

Nota

Questo componente non supporta il set di dati etichettato generato dall'etichettatura dei dati in studio, ma supporta solo la directory di immagini etichettata generata dal componente Convert to Image Directory.

È possibile eseguire il training del modello specificando il modello e la directory di immagini etichettate come input per eseguire il training del modello Pytorch. Il modello sottoposto a training può quindi essere usato per stimare i valori per i nuovi esempi di input usando Score Image Model.

Altre informazioni su DenseNet

Per altre informazioni su DenseNet, vedere il documento di ricerca Reti convoluzionali densely connesse.

Come configurare DenseNet

1. Aggiungere il componente DenseNet alla pipeline nella finestra di progettazione.

2. Per Nome modello specificare il nome di una determinata struttura DenseNet ed è possibile selezionare da DenseNet supportato: 'densenet121', 'densenet161', 'densenet169', 'densenet201'.

3. Per Pretrained specificare se usare un modello con training preliminare in ImageNet. Se selezionata, è possibile ottimizzare il modello in base al modello con training preliminare selezionato; se deselezionata, è possibile eseguire il training da zero.

4. Per Memoria efficiente, specificare se usare il checkpoint, che è molto più efficiente ma più lento. Per altre informazioni, vedere il documento di ricerca Implementazione efficiente della memoria di DenseNets.

5. Connettere l'output del componente DenseNet , il training e il componente del set di dati dell'immagine di convalida al modello Train Pytorch.

6. Inviare la pipeline.

Risultati

Al termine dell'esecuzione della pipeline, per usare il modello per l'assegnazione dei punteggi, connettere il training del modello Pytorch a Score Image Model per stimare i valori per i nuovi esempi di input.

Note tecniche

parametri del componente

Nome	Intervallo	Type	Default	Descrizione
Nome modello	Any	Modalità	densenet201	Nome di una determinata struttura DenseNet
Training preliminare	Any	Booleano	Vero	Indica se usare un modello con training preliminare in ImageNet
Memoria efficiente	Any	Boolean	Falso	Se usare il checkpoint, che è molto più efficiente della memoria, ma più lento

Output

Nome	Tipo	Descrizione
Modello senza training	UntrainedModelDirectory	Modello DenseNet non sottoposto a training che può essere connesso al training del modello Pytorch.

Passaggi successivi

Vedere il set di componenti disponibili per Azure Machine Learning.