Freigeben über


featurizeImage: Machine Learning-Transformation zur Bildfeaturisierung

Erstellt mithilfe eines vortrainierten tiefen neuronalen Netzwerkmodells Merkmale für ein Bild.

Verwendung

  featurizeImage(var, outVar = NULL, dnnModel = "Resnet18")

Argumente

var

Eingabevariable, die extrahierte Pixelwerte enthält.

outVar

Das Präfix der Ausgabevariablen, die die Bildfeatures enthalten. Bei NULL wird der Name der Eingabevariablen verwendet. Standardwert: NULL.

dnnModel

Das vortrainierte Deep Neural Network-Modell. Folgende Optionen sind möglich:

Details

featurizeImage featurisiert ein Bild unter Verwendung des angegebenen vortrainierten Deep Neural Network-Modells. Die Eingabevariablen für diese Transformation müssen extrahierte Pixelwerte sein.

Wert

Ein maml-Objekt, das die Transformation definiert.

Autor(en)

Microsoft Corporation Microsoft Technical Support

Beispiele


 train <- data.frame(Path = c(system.file("help/figures/RevolutionAnalyticslogo.png", package = "MicrosoftML")), Label = c(TRUE), stringsAsFactors = FALSE)

 # Loads the images from variable Path, resizes the images to 1x1 pixels and trains a neural net.
 model <- rxNeuralNet(
     Label ~ Features,
     data = train,
     mlTransforms = list(
         loadImage(vars = list(Features = "Path")),
         resizeImage(vars = "Features", width = 1, height = 1, resizing = "Aniso"),
         extractPixels(vars = "Features")
         ),
     mlTransformVars = "Path",
     numHiddenNodes = 1,
     numIterations = 1)

 # Featurizes the images from variable Path using the default model, and trains a linear model on the result.
 model <- rxFastLinear(
     Label ~ Features,
     data = train,
     mlTransforms = list(
         loadImage(vars = list(Features = "Path")),
         resizeImage(vars = "Features", width = 224, height = 224), # If dnnModel == "AlexNet", the image has to be resized to 227x227.
         extractPixels(vars = "Features"),
         featurizeImage(var = "Features")
         ),
     mlTransformVars = "Path")