DenseNet

  • 發行項

本文描述如何使用 Azure Machine Learning 設計工具中的 DenseNet 元件，以使用 DenseNet 演算法建立影像分類模型。

此分類演算法是種受監督的學習方法，且需要已加上標籤的影像目錄。

注意

此元件不支援由工作室中的資料標記 功能所產生的標記資料集，且僅支援從轉換為影像目錄元件所產生的標記影像目錄。

您可以提供模型和標記的影像目錄作為定型 Pytorch 模型的輸入端，藉此來定型模型。 然後便可以藉由使用分數影像模型模型，以定型的模型來預測新輸入範例的值。

深入瞭解 DenseNet

如需 Densenet 的詳細資訊，請參閱研究論文：緊密連結的卷積網路 (英文)。

如何設定 DenseNet

  1. 在設計工具中把 DenseNet 元件新增至管線。

  2. 針對模型名稱，請指定特定 DenseNet 結構的名稱。您可以從支援的 DenseNet 中選取：'densenet121'、'densenet161'、'densenet169'、'densenet201'。

  3. 針對預先定型，請指定是否要使用在 ImageNet 上預先定型的模型。 如果選取此選項，您可以根據所選預先定型的模型來微調模型。如果取消選取，您可以從頭開始定型。

  4. 若要有效率地使用記憶體，請指定是否要使用檢查點。使用後會讓記憶體效率更高，但速度較慢。 如需詳細資訊，請參閱研究論文：實作 DenseNets 時的記憶體有效運用。

  5. 連線 DenseNet 元件、定型和驗證影像資料集元件的輸出端到定型 Pytorch 模型。

  6. 提交管線。

結果

在管線執行完成後，若要使用該模型進行計分，請將定型 Pytorch 模型連接到計分影像模型，以預測新輸入範例的值。

技術說明

元件參數

Name 範圍 類型 預設 描述
模型名稱 任意 [模式] densenet201 特定 DenseNet 結構的名稱
預先定型 任意 布林值 True 是否要在 ImageNet 上使用預先定型的模型
記憶體效率 任意 布林值 否 是否要使用檢查點。使用後會讓記憶體效率更高，但速度較慢

輸出

名稱 類型 描述
未定型的模型 UntrainedModelDirectory 可以連接到定型 Pytorch 模型的未定型 DenseNet 模型。

後續步驟

請參閱 Azure Machine Learning 可用的元件集。