DenseNet
Den här artikeln beskriver hur du använder DenseNet-komponenten i Azure Machine Learning-designern för att skapa en bildklassificeringsmodell med hjälp av Densenet-algoritmen.
Den här klassificeringsalgoritmen är en övervakad inlärningsmetod och kräver en märkt avbildningskatalog.
Anteckning
Den här komponenten stöder inte etiketterade datauppsättningar som genereras från dataetiketter i studion, utan stöder endast etiketterad avbildningskatalog som genererats från komponenten Konvertera till bildkatalog .
Du kan träna modellen genom att ange modellen och den märkta avbildningskatalogen som indata till Träna Pytorch-modell. Den tränade modellen kan sedan användas för att förutsäga värden för de nya indataexemplen med hjälp av Poängsätta bildmodell.
Mer om DenseNet
Mer information om DenseNet finns i forskningsartikeln Densely Connected Convolutional Networks.
Så här konfigurerar du DenseNet
Lägg till DenseNet-komponenten i pipelinen i designern.
För Modellnamn anger du namnet på en viss DenseNet-struktur och du kan välja från densenet som stöds: "densenet121", "densenet161", "densenet169", "densenet201".
För Förtränad anger du om du vill använda en modell som är förtränad på ImageNet. Om du väljer kan du finjustera modellen baserat på den valda förtränade modellen. Om du avmarkerar kan du träna från grunden.
För Minneseffektiv anger du om kontrollpunkter ska användas, vilket är mycket mer minneseffektivt men långsammare. Mer information finns i forskningsartikeln Minneseffektiv implementering av DenseNets.
Anslut utdata från komponenten DenseNet , tränings- och valideringsbilddatauppsättningskomponenten till Train Pytorch Model.
Skicka pipelinen.
Resultat
När pipelinekörningen är klar ansluter du Train Pytorch Model till Score Image Model för att förutsäga värden för nya indataexempel för att använda modellen för bedömning.
Tekniska anteckningar
komponentparametrar
Name | Intervall | Typ | Standardvärde | Beskrivning |
---|---|---|---|---|
Modellnamn | Valfri | Läge | densenet201 | Namn på en viss DenseNet-struktur |
Förtränad | Valfri | Boolesk | Sant | Om du vill använda en modell som är förtränad på ImageNet |
Minneseffektivt | Valfri | Boolesk | Falskt | Om kontrollpunkter ska användas, vilket är mycket mer minneseffektivt men långsammare |
Utdata
Namn | Typ | Beskrivning |
---|---|---|
Otränad modell | UntrainedModelDirectory | En otränad DenseNet-modell som kan anslutas till Train Pytorch Model. |
Nästa steg
Se den uppsättning komponenter som är tillgängliga för Azure Machine Learning.