DenseNet

本文說明如何使用 Azure 機器學習 設計工具中的 DenseNet 元件，使用 Densenet 演算法建立影像分類模型。

此分類演算法是受監督的學習方法，而且需要加上標籤的影像目錄。

注意

此元件不支援從 Studio 中的數據捲標 產生的已標記數據集，但僅支援從 [轉換為映射目錄] 元件產生的已標記映射目錄 。

您可以藉由提供模型和加上標籤的影像目錄作為訓練 Pytorch 模型的輸入來 定型模型來定型模型。 然後，定型的模型可用來使用 評分影像模型來預測新輸入範例的值。

深入瞭解 DenseNet

如需 DenseNet 的詳細資訊，請參閱研究論文 《密集連線的卷積網路》。

如何設定 DenseNet

1. 將 DenseNet 元件新增至設計工具中的管線。

2. 針對 [模型名稱]，指定特定 DenseNet 結構的名稱，您可以從支援的 DenseNet 選取：'densenet121'、'densenet161'、'densenet169'、'densenet201'。

3. 針對 [預先定型]，指定是否要使用在 ImageNet 上預先定型的模型。 如果選取，您可以根據選取的預先定型模型來微調模型;如果取消選取，您可以從頭開始訓練。

4. 針對 記憶體有效率，請指定是否使用檢查點，這比記憶體更有效率，但速度較慢。 如需詳細資訊，請參閱密集網路的記憶體有效實作研究檔。

5. 將 DenseNet 元件、定型和驗證影像數據集元件的輸出連線到定型 Pytorch 模型。

6. 提交管線。

結果

管線執行完成後，若要使用模型進行評分，請將 定型 Pytorch 模型 連接到 評分影像模型，以預測新輸入範例的值。

技術注意事項

元件參數

名稱	範圍	類型	預設	描述
模型名稱	任意	[模式]	densenet201	特定 DenseNet 結構的名稱
預先定型	任意	布林值	True	是否要使用在 ImageNet 上預先定型的模型
記憶體有效率	任意	Boolean	False	是否要使用檢查點，這比記憶體更有效率，但速度較慢

輸出

名字	類型​​	描述
未定型的模型	UntrainedModelDirectory	可連線到定型 Pytorch 模型的未定型 DenseNet 模型。

下一步

請參閱 Azure 機器學習 可用的元件集。