DenseNet

In diesem Artikel wird beschrieben, wie Sie mit der DenseNet-Komponente im Azure Machine Learning-Designer ein Bildklassifizierungsmodell mithilfe des DenseNet-Algorithmus erstellen.

Dieser Klassifizierungsalgorithmus ist eine überwachte Lernmethode und erfordert ein Imageverzeichnis mit Bezeichnungen.

Hinweis

Diese Komponente unterstützt keine beschrifteten Datensätze, die von Datenbeschriftung im Studio erzeugt wurden, sondern nur beschriftete Bildverzeichnisse, die von In Bildverzeichnis konvertieren Komponente.

Sie können das Modell trainieren, indem Sie das Modell und das Bildverzeichnis mit Bezeichnungen als Eingaben für Trainieren eines PyTorch-Modells angeben. Mit dem trainierten Modell können Sie anschließend Werte für neue Eingabebeispiele mithilfe von Bewerten eines Bildmodells vorhersagen.

Weitere Informationen zu DenseNet

Weitere Informationen zu DenseNet finden Sie in der Forschungsarbeit Densely Connected Convolutional Networks.

Konfigurieren von DenseNet

1. Fügen Sie die Komponente DenseNet zu Ihrer Pipeline im Designer hinzu.

2. Geben Sie als Modellnamen den Namen einer bestimmten DenseNet-Struktur ein. Es stehen verschiedene unterstützte Strukturen zur Wahl, „densenet121“, „densenet161“, „densenet169“, „densenet201“.

3. Geben Sie unter Vortrainiert an, ob ein in ImageNet vortrainiertes Modell verwendet werden soll. Bei Auswahl dieser Option können Sie das Modell basierend auf dem ausgewählten vortrainierten Modell optimieren. Wird die Auswahl aufgehoben, können Sie von Grund auf neu trainieren.

4. Geben Sie unter Memory efficient (arbeitsspeichereffizient) an, ob Prüfpunktausführung verwendet werden soll, die viel arbeitsspeichereffizienter, aber langsamer ist. Weitere Informationen finden Sie in der Forschungsarbeit Memory-Efficient Implementation of DenseNets.

5. Verbinden Sie die Ausgabe der DenseNet-Komponente, der Trainings- und der Validierungs-Bilddataset-Komponente mit dem Train Pytorch Model.

6. Übermitteln Sie die Pipeline.

Ergebnisse

Wenn Sie das Modell zur Bewertung verwenden möchten, verbinden Sie nach Abschluss der Pipelineausführung Train Pytorch Model (Trainieren eines Pytorch-Modells) mit Score Image Model (Bewerten eines Bildmodells), um Werte für neue Eingabebeispiele vorherzusagen.

Technische Hinweise

Komponentenparameter

Name	Range	type	Standard	BESCHREIBUNG
Modellname	Any	Mode	densenet201	Name einer bestimmten DenseNet-Struktur
Vortrainiert	Any	Boolean	True	Gibt an, ob ein in ImageNet vortrainiertes Modell verwendet werden soll
Arbeitsspeichereffizient	Any	Boolean	False	Ob Prüfpunktausführung verwendet werden soll, die viel arbeitsspeichereffizienter, aber langsamer ist

Output

Name	Typ	BESCHREIBUNG
Untrainiertes Modell	UntrainedModelDirectory	Ein untrainiertes DenseNet-Modell, das mit „Trainieren eines Pytorch-Modells“ verbunden werden kann.

Nächste Schritte

Hier finden Sie die für Azure Machine Learning verfügbaren Komponenten.