你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站,请访问 https://docs.azure.cn。
ResNet
本文介绍如何使用 Azure 机器学习设计器中的 ResNet 组件来通过 ResNet 算法创建图像分类模型。
此分类算法是一种监督式学习方法,需要一个标记的数据集。
备注
本组件不支持通过工作室中的“数据标注”而生成的标注数据集,仅支持通过“转换为图像目录”组件生成的标注图像目录。
可通过提供模型和带标记的图像目录作为训练 PyTorch 模型的输入来训练模型。 然后,可使用训练后的模型来预测使用为图像模型评分的新输入示例的值。
请参阅本文,详细了解 ResNet。
在设计器中将“ResNet”组件添加到管道。
对于“模型名称”,指定特定 ResNet 结构的名称,然后可以从支持的 resnet 中进行选择:“resnet18”、“resnet34”、“resnet50”、“resnet101”、“resnet152”、“resnet152”、“resnext50_32x4d”、“resnext101_32x8d”、“wide_resnet50_2”、“wide_resnet101_2”。
对于“预先训练”,请指定是否使用在 ImageNet 上预先训练的模型。 如果已选择,则可以根据选定的预训练模型来微调模型;如果已取消选择,则可以从头开始训练。
对于零初始化残留,指定是否将每个残留分支中的最后一个批处理标准层执行零初始化。 如果选择此选项,则残留分支以零开始,每个残留块的行为与标识类似。 这有助于根据 https://arxiv.org/abs/1706.02677 的大型批大小进行收敛。
将 ResNet 部件、训练和验证图像数据集部件的输出连接到训练 PyTorch 模型。
提交管道。
管道运行完成后,若要使用模型进行评分,请将训练 PyTorch 模型连接到为图像模型评分,以预测新输入示例的值。
名称 | 范围 | 类型 | 默认 | 说明 |
---|---|---|---|---|
模型名称 | 任意 | Mode | resnext101_32x8d | 特定 ResNet 结构的名称 |
经过预先训练 | 任意 | 布尔 | True | 是否使用在 ImageNet 上预先训练的模型 |
零初始化残留 | 任意 | 布尔 | False | 是否对每个残留分支中的最后一个批处理标准层执行零初始化 |
名称 | Type | 说明 |
---|---|---|
未训练的模型 | UntrainedModelDirectory | 可连接到训练 PyTorch 模型的未训练的 ResNet 模型。 |
请参阅 Azure 机器学习可用的组件集。