Model DenseNet
W tym artykule opisano sposób użycia składnika DenseNet w projektancie usługi Azure Machine Learning w celu utworzenia modelu klasyfikacji obrazów przy użyciu algorytmu Densenet.
Ten algorytm klasyfikacji jest metodą uczenia nadzorowanego i wymaga katalogu obrazów z etykietą.
Uwaga
Ten składnik nie obsługuje oznaczonego zestawu danych wygenerowanego na podstawie etykietowania danych w studio, ale obsługuje tylko katalog obrazów oznaczonych etykietami wygenerowany na podstawie składnika Konwertuj na katalog obrazów .
Model można wytrenować, podając model i oznaczony etykietą katalog obrazów jako dane wejściowe do trenowania modelu Pytorch. Następnie wytrenowany model może służyć do przewidywania wartości dla nowych przykładów wejściowych przy użyciu funkcji Score Image Model (Generowanie wyników dla modelu obrazu).
Więcej informacji o sieci DenseNet
Aby uzyskać więcej informacji na temat sieci DenseNet, zobacz artykuł badawczy Gęsto połączone sieci konwolucyjne.
Jak skonfigurować sieć DenseNet
Dodaj składnik DenseNet do potoku w projektancie.
W polu Nazwa modelu określ nazwę określonej struktury DenseNet i możesz wybrać elementy z obsługiwanej sieci DenseNet: "densenet121", "densenet161", "densenet169", "densenet201".
W polu Wstępnie trenowane określ, czy wstępnie wytrenowany model w sieci ImageNet. W przypadku wybrania można dostosować model na podstawie wybranego wstępnie wytrenowanego modelu; jeśli zostanie zaznaczone, możesz trenować od podstaw.
W przypadku wydajnej pamięci określ, czy należy używać punktów kontrolnych, co jest znacznie bardziej wydajne, ale wolniejsze. Aby uzyskać więcej informacji, zobacz artykuł badawczy Dotyczący wydajnej pamięci implementacji gęstych sieci.
Połącz dane wyjściowe składnika DenseNet , trenowania i sprawdzania poprawności składnika zestawu danych obrazu z modułem Train Pytorch Model (Trenowanie modelu Pytorch).
Prześlij potok.
Wyniki
Po zakończeniu przebiegu potoku, aby użyć modelu do oceniania, połącz model Train Pytorch Model (Trenowanie modelu Pytorch) z score image Model (Generowanie wyników dla modelu obrazu), aby przewidzieć wartości dla nowych przykładów wejściowych.
Uwagi techniczne
parametry składnika
| Nazwisko | Zakres | Typ | Domyślny | opis |
|---|---|---|---|---|
| Nazwa modelu | Dowolne | Tryb | densenet201 | Nazwa określonej struktury DenseNet |
| Wstępnie wytrenowane | Dowolne | Wartość logiczna | Prawda | Czy używać wstępnie wytrenowanego modelu w sieci ImageNet |
| Wydajna pamięć | Dowolne | Wartość logiczna | Fałsz | Czy używać punktów kontrolnych, co jest o wiele bardziej wydajne, ale wolniejsze |
Dane wyjściowe
| Nazwa/nazwisko | Pisz | Opis |
|---|---|---|
| Model nieuszkodzony | UntrainedModelDirectory | Niewytrenowany model DenseNet, który można połączyć z trenowanie modelu Pytorch. |
Następne kroki
Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.