ResNet

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

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

Du kan träna modellen genom att tillhandahålla en modell och en märkt avbildningskatalog 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 ResNet

Mer information om ResNet finns i det här dokumentet.

Så här konfigurerar du ResNet

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

2. För Modellnamn anger du namnet på en viss ResNet-struktur och du kan välja från resnet101 som stöds: resnet18, resnet34, resnet50, resnet101, resnet152, resnet152, resnext50_32x4d, resnext101_32x8d, wide_resnet50_2, wide_resnet101_2.

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 Noll init residual anger du om du vill nollinitiera det sista normlagret för batchen i varje residualgren. Om den väljs börjar residualgrenen med nollor och varje residualblock beter sig som en identitet. Detta kan hjälpa till med konvergens vid stora batchstorlekar enligt https://arxiv.org/abs/1706.02677.

5. Anslut utdata från komponenten ResNet , tränings- och valideringsbildens datauppsättningskomponent till Train PyTorch-modellen.

6. Skicka pipelinen.

Resultat

När pipelinekörningen är klar 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.