DenseNet

이 문서에서는 Azure Machine Learning 디자이너에서 DenseNet 구성 요소를 사용하여 Densenet 알고리즘을 사용한 이미지 분류 모델을 만드는 방법을 설명합니다.

이 분류 알고리즘은 감독 학습 메서드이며 레이블이 지정된 이미지 디렉터리를 요구합니다.

참고

이 구성 요소는 스튜디오의 데이터 레이블 지정에서 생성된 레이블이 지정된 데이터 세트를 지원하지 않으며 이미지 디렉터리로 변환 구성 요소에서 생성된 레이블이 지정된 이미지 디렉터리만 지원합니다.

모델 및 레이블이 있는 이미지 디렉터리를 Pytorch 모델 학습에 대한 입력으로 제공하여 모델을 학습할 수 있습니다. 그러면 학습된 모델을 사용하여 이미지 모델 채점으로 새로운 입력 예제의 값을 예측할 수 있습니다.

DenseNet에 대한 자세한 내용은 연구 논문인 조밀하게 연결된 나선 네트워크를 참조하세요.

DenseNet을 구성하는 방법

디자이너에서 DenseNet 구성 요소를 파이프라인에 추가합니다.
모델 이름의 경우 특정 DenseNet 구조의 이름을 지정하고 지원되는 DenseNet: 'densenet121', 'densenet161', 'densenet169', 'densenet201' 중에서 선택할 수 있습니다.
사전 학습에 ImageNet에서 사전 학습된 모델 사용 여부를 지정합니다. 선택하면 선택한 사전 학습된 모델을 기준으로 미세 조정할 수 있습니다. 선택을 취소하면 처음부터 학습시킬 수 있습니다.
메모리 효율의 경우 훨씬 더 메모리 효율이 높지만 속도가 느린 검사점 사용 여부를 지정합니다. 자세한 내용은 연구 논문 DenseNets의 메모리 효율적인 구현을 참조하세요.
DenseNet 구성 요소, 학습, 유효성 검사 이미지 데이터 세트 구성 요소의 출력을 Pytorch 모델 학습에 연결합니다.
파이프라인을 제출합니다.

파이프라인 실행이 완료된 후 채점에 모델을 사용하려면 PyTorch 모델 학습 을 이미지 모델 채점에 연결하여 새 입력 예제의 값을 예측합니다.

Name	범위	Type	기본값	Description
모델 이름	모두	모드	densenet201	특정 DenseNet 구조체의 이름
사전 학습	모두	부울	True	ImageNet에서 사전 학습된 모델 사용 여부
메모리 효율	모두	부울	아니요	메모리 효율 훨씬 더 높지만 속도가 느린 검사점 사용 여부

Name	형식	Description
학습되지 않은 모델	UntrainedModelDirectory	Pytorch 모델 학습에 연결할 수 있는 학습 되지 않은 DenseNet 모델입니다.

Azure Machine Learning에서 사용 가능한 구성 요소 집합을 참조하세요.