DenseNet

In dit artikel wordt beschreven hoe u het onderdeel DenseNet in azure Machine Learning Designer gebruikt om een afbeeldingsclassificatiemodel te maken met behulp van het Densenet-algoritme.

Dit classificatie-algoritme is een leermethode onder supervisie en vereist een gelabelde afbeeldingsmap.

Notitie

Dit onderdeel biedt geen ondersteuning voor gelabelde gegevenssets die zijn gegenereerd op basis van gegevenslabels in de studio, maar alleen ondersteuning voor gelabelde installatiekopieën die zijn gegenereerd op basis van het onderdeel Convert to Image Directory .

U kunt het model trainen door het model en de gelabelde afbeeldingsmap op te geven als invoer voor Pytorch-model trainen. Het getrainde model kan vervolgens worden gebruikt om waarden te voorspellen voor de nieuwe invoervoorbeelden met behulp van Score Image Model.

Meer informatie over DenseNet

Zie het onderzoeksdocument Densely Connected Convolutional Networks voor meer informatie over DenseNet.

DenseNet configureren

  1. Voeg het densenet-onderdeel toe aan uw pijplijn in de ontwerpfunctie.

  2. Geef bij Modelnaam de naam op van een bepaalde DenseNet-structuur en u kunt kiezen uit ondersteunde DenseNets: 'densenet121', 'densenet161', 'densenet169', 'densenet201'.

  3. Geef voor Vooraf getraind op of u een model wilt gebruiken dat vooraf is getraind op ImageNet. Als dit is geselecteerd, kunt u het model verfijnen op basis van het geselecteerde vooraf getrainde model; als de optie is uitgeschakeld, kunt u helemaal opnieuw trainen.

  4. Geef voor Geheugenefficiënt op of controlepunten moeten worden gebruikt. Dit is veel geheugenefficiënter maar langzamer. Zie het onderzoeksdocument Memory-Efficient Implementation of DenseNets (Memory-Efficient Implementation of DenseNets) voor meer informatie.

  5. Verbind de uitvoer van het onderdeel, de training en de validatieafbeeldingsgegevensset van DenseNet met het Pytorch-model trainen.

  6. Verzend de pijplijn.

Resultaten

Nadat de pijplijn is uitgevoerd, verbindt u het Pytorch-model trainen met het scoremodel om waarden voor nieuwe invoervoorbeelden te voorspellen.

Technische opmerkingen

onderdeelparameters

Naam Bereik Type Standaard Beschrijving
Modelnaam Alle Modus densenet201 Naam van een bepaalde DenseNet-structuur
Vooraf getraind Alle Boolean-waarde True Of u een model wilt gebruiken dat vooraf is getraind op ImageNet
Geheugenefficiënt Alle Booleaans False Of u controlepunten wilt gebruiken, wat veel meer geheugenefficiënt maar langzamer is

Uitvoer

Naam Type Description
Niet-getraind model UntrainedModelDirectory Een niet-getraind DenseNet-model dat kan worden verbonden met Het Pytorch-model trainen.

Volgende stappen

Bekijk de set onderdelen die beschikbaar zijn voor Azure Machine Learning.