ResNet

Cet article explique comment utiliser le composant ResNet du concepteur Azure Machine Learning pour créer un modèle de classification d’images avec l’algorithme ResNet.

Cet algorithme de classification est une méthode d’apprentissage supervisé qui nécessite un jeu de données 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.

Vous pouvez entraîner le modèle en fournissant un modèle et un répertoire d’images étiquetés en tant qu’entrées pour entraîner le modèle PyTorch. 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 ResNet

Pour plus d’informations, consultez cet article sur ResNet.

Guide pratique pour configurer ResNet

1. Ajoutez le composant ResNet à votre pipeline dans le concepteur.

2. Pour Model name (Nom du modèle), indiquez le nom d’une structure ResNet spécifique que vous pouvez sélectionner parmi les structures resnet prises en charge : « resnet18 », « resnet34 », « resnet50 », « resnet101 », « resnet152 », « resnext50_32x4d », « resnext101_32x8d », « wide_resnet50_2 », « wide_resnet101_2 ».

3. 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.

4. Pour Zero init residual (Initialisation avec des zéros des branches résiduelles), indiquez si la dernière couche de traitement par lots doit être initialisée avec des zéros dans chaque branche résiduelle. Si cette option est sélectionnée, la branche résiduelle commence par des zéros, et chaque bloc résiduel se comporte comme une identité. Cela peut aider à la convergence pour les lots de grande taille, conformément à https://arxiv.org/abs/1706.02677.

5. Connectez la sortie du composant ResNet, du composant de jeu de données d’apprentissage et de validation d’image à l’apprentissage du modèle PyTorch.

6. 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 au module Score Image Model (Scorer un modèle d'image) pour prédire les valeurs des nouveaux exemples d'entrée.

Notes techniques

Paramètres de composant

Nom	Plage	Type	Default	Description
Nom du modèle	Quelconque	Mode	resnext101_32x8d	Nom d’une structure ResNet spécifique
Pretrained (Préentraîné)	Quelconque	Boolean	True	Spécifie si un modèle préentraîné doit être utilisé ou non sur ImageNet
Zero init residual (Initialisation avec des zéros des branches résiduelles)	Quelconque	Boolean	False	Spécifie si la dernière couche de traitement par lots doit être initialisée avec des zéros dans chaque branche résiduelle

Output

Nom	Type	Description
Untrained model (Modèle non entraîné)	UntrainedModelDirectory	Modèle ResNet non entraîné qui peut être connecté au modèle PyTorch.

Étapes suivantes

Consultez les composants disponibles pour Azure Machine Learning.