DenseNet
Cet article explique comment utiliser le composant DenseNet dans le concepteur Azure Machine Learning pour créer un modèle de classification d’images à l’aide de l’algorithme Densenet.
Cet algorithme de classification est une méthode d’apprentissage supervisé qui nécessite un répertoire d’images étiqueté.
Notes
Ce composant ne prend pas en charge le jeu de données étiqueté généré à partir du composant Étiquetage de données dans le studio, mais seulement le répertoire d’images étiqueté généré à partir du composant Convertir en répertoire d’images.
Pour entraîner le modèle, indiquez ce dernier ainsi que le répertoire d’images étiquetées en tant qu’entrées du module Train Pytorch Model. Vous pouvez ensuite utiliser le modèle entraîné pour prédire les valeurs des nouveaux exemples d’entrée à l’aide du module Score Image Model.
En savoir plus sur DenseNet
Pour plus d’informations sur DenseNet, consultez le document de recherche Densely Connected Convolutional Networks.
Guide pratique pour configurer DenseNet
Ajoutez le composant DenseNet à votre pipeline dans le concepteur.
Pour Model name (Nom du modèle), indiquez le nom d’une structure DenseNet spécifique que vous pouvez sélectionner parmi les structures DenseNet prises en charge : « densenet121 », « densenet161 », « densenet169 » et « densenet201 ».
Pour Pretrained (Préentraîné), indiquez si vous souhaitez utiliser un modèle préentraîné sur ImageNet. Si cette option est sélectionnée, vous pouvez affiner le modèle en fonction du modèle préentraîné sélectionné. Si cette option est désélectionnée, vous pouvez commencer l’entraînement à partir de zéro.
Pour Memory efficient (Efficace en mémoire), indiquez si vous souhaitez utiliser les points de contrôle, qui sont beaucoup plus efficaces en mémoire mais également plus lents. Pour plus d’informations, consultez le document de recherche Memory-Efficient Implementation of DenseNets.
Connectez la sortie du composant DenseNet et du module de jeu de données d’images d’entraînement et de validation au composant Entraîner un modèle Pytorch.
Envoyez le pipeline.
Résultats
Une fois l’exécution du pipeline effectuée, si vous souhaitez utiliser le modèle à des fins de scoring, connectez le module Train Pytorch Model (Entraîner un modèle PyTorch) au module Score Image Model (Scorer un modèle d’image) pour prédire les valeurs des nouveaux exemples d’entrée.
Notes techniques
paramètres du composant
| Nom | Plage | Type | Default | Description |
|---|---|---|---|---|
| Nom du modèle | Quelconque | Mode | densenet201 | Nom d’une structure DenseNet spécifique |
| Pretrained (Préentraîné) | Quelconque | Boolean | True | Spécifie si un modèle préentraîné doit être utilisé ou non sur ImageNet |
| Memory efficient (Efficace en mémoire) | Quelconque | Boolean | False | Spécifie si les points de contrôle doivent être utilisés ou non, car ils sont beaucoup plus efficaces en mémoire mais également plus lents |
Output
| Nom | Type | Description |
|---|---|---|
| Untrained model (Modèle non entraîné) | UntrainedModelDirectory | Modèle DenseNet non entraîné qui peut être connecté au module Train Pytorch Model. |
Étapes suivantes
Consultez les composants disponibles pour Azure Machine Learning.