ResNet

本文介绍如何使用 Azure 机器学习设计器中的 ResNet 组件来通过 ResNet 算法创建图像分类模型。

此分类算法是一种监督式学习方法,需要一个标记的数据集。

注意

本组件不支持通过工作室中的“数据标注”而生成的标注数据集,仅支持通过“转换为图像目录”组件生成的标注图像目录。

可通过提供模型和带标记的图像目录作为训练 PyTorch 模型的输入来训练模型。 然后,可使用训练后的模型来预测使用为图像模型评分的新输入示例的值。

关于 ResNet 的详细信息

请参阅本文,详细了解 ResNet。

如何配置 ResNet

  1. 在设计器中将“ResNet”组件添加到管道。

  2. 对于“模型名称”,指定特定 ResNet 结构的名称,然后可以从支持的 resnet 中进行选择:“resnet18”、“resnet34”、“resnet50”、“resnet101”、“resnet152”、“resnet152”、“resnext50_32x4d”、“resnext101_32x8d”、“wide_resnet50_2”、“wide_resnet101_2”。

  3. 对于“预先训练”,请指定是否使用在 ImageNet 上预先训练的模型。 如果已选择,则可以根据选定的预训练模型来微调模型;如果已取消选择,则可以从头开始训练。

  4. 对于零初始化残留,指定是否将每个残留分支中的最后一个批处理标准层执行零初始化。 如果选择此选项,则残留分支以零开始,每个残留块的行为与标识类似。 这有助于根据 https://arxiv.org/abs/1706.02677 的大型批大小进行收敛。

  5. 将 ResNet 部件、训练和验证图像数据集部件的输出连接到训练 PyTorch 模型

  6. 提交管道。

结果

管道运行完成后,若要使用模型进行评分,请将训练 PyTorch 模型连接到为图像模型评分,以预测新输入示例的值。

技术说明

组件参数

名称 范围 类型 默认 说明
模型名称 任意 Mode resnext101_32x8d 特定 ResNet 结构的名称
经过预先训练 任意 布尔 True 是否使用在 ImageNet 上预先训练的模型
零初始化残留 任意 布尔 False 是否对每个残留分支中的最后一个批处理标准层执行零初始化

输出

名称 Type 说明
未训练的模型 UntrainedModelDirectory 可连接到训练 PyTorch 模型的未训练的 ResNet 模型。

后续步骤

请参阅 Azure 机器学习可用的组件集