DenseNet
В этой статье объясняется, как с помощью компонента DenseNet создать в конструкторе Машинного обучения Azure модель классификации изображений по алгоритму DenseNet.
Этот алгоритм классификации относится к контролируемым методам. Для его использования требуется каталог изображений с метками.
Примечание
Этот компонент не поддерживает помеченный набор данных, формируемый функцией Маркировка данных в студии, и будет работать только с каталогом изображений с метками, который создается компонентом Преобразование в каталог изображений.
Для обучения модели нужно передать ее и каталог с помеченными изображениями в качестве входных данных в модуль Обучение модели PyTorch. Обученную модель можно будет применить для прогнозирования значений в новых входных данных с помощью модуля Оценка модели изображения.
Дополнительные сведения о DenseNet
Дополнительные сведения о DenseNet можно получить в исследовательской статье Densely Connected Convolutional Networks (Плотно связанные сверточные сети).
Настройка DenseNet
Добавьте компонент DenseNet в конвейер в окне конструктора.
В поле Model name (Имя модели) введите имя определенной структуры DenseNet из следующего списка поддерживаемых: densenet121, densenet161, densenet169, densenet201.
В поле Pretrained (Предварительно обученная) укажите, нужно ли использовать предварительно обученную модель для ImageNet. Если этот флажок установлен, вы сможете настроить модель на основе выбранной предварительно обученной модели. Если этот флажок снят, обучение будет выполняться с нуля.
В поле Memory efficient (Эффективное использование памяти) укажите, нужно ли использовать контрольные точки. Они значительно повышают эффективность использования памяти, но замедляют работу. Дополнительные сведения см. в исследовательской статье Memory-Efficient Implementation of DenseNets (Реализации DenseNets с эффективным использованием памяти).
Подключите выходные данные компонента DenseNet, обучения и проверки набора данных изображений к компоненту Обучить модель PyTorch.
Отправьте конвейер.
Результаты
Когда конвейер завершит работу, подключите модуль Обучение модели PyTorch к модулю Оценка моделей изображений, чтобы использовать модель для оценки и спрогнозировать значения для новых входных данных.
Технические примечания
Параметры компонентов
Имя | Диапазон | Тип | По умолчанию | Описание |
---|---|---|---|---|
Имя модели | Любой | Режим | densenet201 | Имя определенной структуры DenseNet |
Предварительно обученная | Любой | Логическое значение | True | Нужно ли использовать предварительно обученную модель для ImageNet |
Эффективное использование памяти | Любой | Логическое значение | Неверно | Нужно ли использовать контрольные точки, которые повышают эффективность использования памяти, но замедляют работу |
Выходные данные
Имя | Тип | Описание |
---|---|---|
Необученная модель | UntrainedModelDirectory | Необученная модель DenseNet, которую можно подключить к модели обучения PyTorch. |
Дальнейшие действия
Ознакомьтесь с набором доступных компонентов для Машинного обучения Azure.