DenseNet

本文說明如何使用 Azure 機器學習 設計工具中的 DenseNet 元件，使用 Densenet 演算法建立影像分類模型。

此分類演算法是受監督的學習方法，而且需要加上標籤的影像目錄。

注意

此元件不支援從 Studio 中的數據捲標 產生的已標記數據集，但僅支援從 [轉換為映射目錄] 元件產生的已標記映射目錄 。

您可以藉由提供模型和加上標籤的影像目錄作為訓練 Pytorch 模型的輸入來 定型模型來定型模型。 然後，定型的模型可用來使用 評分影像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 《密集連線的卷積網路》。

如何設定 DenseNet

1. 將 DenseNet 元件新增至設計工具中的管線。

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

3. 針對 [預先定型]，指定是否要使用在 ImageNet 上預先定型的模型。 如果選取，您可以根據選取的預先定型模型來微調模型;如果取消選取，您可以從頭開始訓練。

4. 針對 記憶體有效率，請指定是否使用檢查點，這比記憶體更有效率，但速度較慢。 如需詳細資訊，請參閱密集網路的記憶體有效實作研究檔。

5. 將 DenseNet 元件、定型和驗證影像數據集元件的輸出連線到定型 Pytorch 模型。

6. 提交管線。

結果

管線執行完成後，若要使用模型進行評分，請將 定型 Pytorch 模型 連接到 評分影像模型，以預測新輸入範例的值。

技術注意事項

元件參數

名稱	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	是否要使用在 ImageNet 上預先定型的模型
記憶體有效率	任意	Boolean	False	是否要使用檢查點，這比記憶體更有效率，但速度較慢

輸出

名字	類型​​	描述
未定型的模型	UntrainedModelDirectory	可連線到定型 Pytorch 模型的未定型 DenseNet 模型。

下一步

請參閱 Azure 機器學習 可用的元件集。