DenseNet

Den här artikeln beskriver hur du använder DenseNet-komponenten i Azure Mašinsko učenje designer för att skapa en bildklassificeringsmodell med hjälp av Densenet-algoritmen.

Den här klassificeringsalgoritmen är en övervakad inlärningsmetod och kräver en märkt avbildningskatalog.

Du kan träna modellen genom att ange modellen och den märkta avbildningskatalogen som indata till Träna Pytorch-modell. Den tränade modellen kan sedan användas för att förutsäga värden för de nya indataexemplen med hjälp av Poängbildmodell.

Mer om DenseNet

Mer information om DenseNet finns i forskningsdokumentet , Densely Connected Convolutional Networks.

Så här konfigurerar du DenseNet

1. Lägg till DenseNet-komponenten i pipelinen i designern.

2. För Modellnamn anger du namnet på en viss DenseNet-struktur och du kan välja från det DenseNet som stöds: "densenet121", "densenet161", "densenet169", "densenet201".

3. För Förtränad anger du om du vill använda en modell som är förtränad i ImageNet. Om du väljer det kan du finjustera modellen baserat på den valda förtränade modellen. Om du avmarkerar det kan du träna från grunden.

4. För Minneseffektiv anger du om kontrollpunkter ska användas, vilket är mycket mer minneseffektivt men långsammare. Mer information finns i forskningsdokumentet Minneseffektiv implementering av DenseNets.

5. Anslut utdata från komponenten DenseNet , tränings- och valideringsbilddatauppsättningskomponenten till Train Pytorch-modellen.

6. Skicka pipelinen.

Resultat

När pipelinekörningen har slutförts ansluter du Train Pytorch Model till Score Image Model för att förutsäga värden för nya indataexempel för att använda modellen för bedömning.

Tekniska anteckningar

komponentparametrar

Utdata

Nästa steg

Se den uppsättning komponenter som är tillgängliga för Azure Mašinsko učenje.