Model DenseNet
W tym artykule opisano sposób użycia składnika DenseNet w projektancie usługi Azure Machine Learning w celu utworzenia modelu klasyfikacji obrazów przy użyciu algorytmu Densenet.
Ten algorytm klasyfikacji jest metodą uczenia nadzorowanego i wymaga katalogu z etykietą image.
Uwaga
Ten składnik nie obsługuje oznaczonego zestawu danych wygenerowanego na podstawie etykietowania danych w studio, ale obsługuje tylko katalog obrazów oznaczonych etykietą wygenerowaną na podstawie składnika Konwertuj na katalog obrazów .
Model można wytrenować, podając model i oznaczony katalog obrazów jako dane wejściowe do trenowania modelu Pytorch. Wytrenowany model może następnie służyć do przewidywania wartości dla nowych przykładów wejściowych przy użyciu funkcji Score Image Model (Generowanie wyników dla modelu obrazu).
Więcej informacji o sieci DenseNet
Aby uzyskać więcej informacji na temat sieci DenseNet, zobacz artykuł badawczy Gęsto połączone sieci konwolucyjne.
Jak skonfigurować sieć DenseNet
Dodaj składnik DenseNet do potoku w projektancie.
W polu Nazwa modelu określ nazwę określonej struktury DenseNet i możesz wybrać elementy z obsługiwanej sieci DenseNet: "densenet121", "densenet161", "densenet169", "densenet201".
W polu Wstępnie trenowane określ, czy wstępnie wytrenowany model ma być używany w sieci ImageNet. W przypadku wybrania można dostosować model na podstawie wybranego wstępnie wytrenowanego modelu; jeśli zostanie zaznaczona, możesz trenować od podstaw.
W obszarze Wydajna pamięć określ, czy używać tworzenia punktów kontrolnych, co jest znacznie bardziej wydajne, ale wolniejsze. Aby uzyskać więcej informacji, zobacz artykuł badawczy , Memory-Efficient Implementation of DenseNets (Wydajne wdrażanie pamięci w sieciach gęstych).
Połącz dane wyjściowe składnika DenseNet, trenowania i sprawdzania poprawności składnika zestawu danych obrazu z modelem Train Pytorch.
Prześlij potok.
Wyniki
Po zakończeniu uruchamiania potoku w celu użycia modelu do oceniania połącz model Train Pytorch Model (Trenowanie modelu Pytorch ) z elementem Score Image Model (Generowanie wyników dla modelu obrazu), aby przewidzieć wartości dla nowych przykładów wejściowych.
Uwagi techniczne
parametry składnika
| Nazwa | Zakres | Typ | Domyślny | Opis |
|---|---|---|---|---|
| Nazwa modelu | Dowolne | Tryb | densenet201 | Nazwa określonej struktury DenseNet |
| Wstępnie wytrenowane | Dowolne | Boolean | Prawda | Czy używać wstępnie wytrenowanego modelu w sieci ImageNet |
| Wydajna pamięć | Dowolne | Wartość logiczna | Fałsz | Czy używać tworzenia punktów kontrolnych, co jest znacznie bardziej wydajne, ale wolniejsze |
Dane wyjściowe
| Nazwa | Typ | Opis |
|---|---|---|
| Model niewytrenowany | UntrainedModelDirectory | Nietrenowany model DenseNet, który można połączyć z trenowanie modelu Pytorch. |
Następne kroki
Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.