DenseNet

Este artigo descreve como usar o componente DenseNet no Azure Machine Learning Designer para criar um modelo de classificação de imagem usando o algoritmo DenseNet.

Esse algoritmo de classificação é um método de aprendizado supervisionado e requer um diretório de imagens rotuladas.

Você pode treinar o modelo fornecendo o modelo e o diretório de imagens rotuladas como entradas para Treinar Modelo de PyTorch. O modelo treinado pode ser usado para prever valores para os novos exemplos de entrada usando Classificar Modelo de Imagem.

Mais sobre o DenseNet

Para obter mais informações sobre o DenseNet, confira o artigo de pesquisa Redes convolucionais densamente conectadas.

Como configurar o DenseNet

1. Adicione o componente DenseNet ao seu pipeline no designer.

2. Para Nome do modelo, especifique o nome de uma determinada estrutura do DenseNet; você pode selecionar entre as opções de DenseNet com suporte: 'densenet121', 'densenet161', 'densenet169', 'densenet201'.

3. Para Pré-treinado, especifique se deseja usar um modelo previamente treinado no ImageNet. Se selecionado, você poderá ajustar o modelo com base no modelo pré-treinado selecionado. Se desmarcado, você poderá treinar do zero.

4. Para Eficiência da memória, especifique se deseja usar o ponto de verificação, que é muito mais eficiente em termos de memória, mas mais lento. Para obter mais informações, confira o artigo de pesquisa, Implementação com eficiência de memória de DenseNets.

5. Conecte a saída do componente DenseNet, treinamento e componente do conjunto de dados de imagem de validação ao Treinar Modelo Pytorch.

6. Enviar o pipeline.

Resultados

Após a execução do pipeline ser concluída, para usar o modelo de pontuação, conecte o módulo Treinar Modelo de Pytorch ao Pontuar Imagem do Modelo para prever os valores de novos exemplos de entrada.

Observações técnicas

parâmetros do componente

Saída

Próximas etapas

Confira o conjunto de componentes disponíveis no Azure Machine Learning.