DenseNet
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
在設計工具中把 DenseNet 元件新增至管線。
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'。
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。
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。
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。
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。