本文介绍如何使用 Azure 机器学习设计器中的 DenseNet 组件来通过 Densenet 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，需要一个已标记的图像目录。
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。
可以通过提供模型和标记的图像目录作为训练 PyTorch 模型的输入来 训练模型来训练模型。 然后，可使用训练后的模型来预测使用为图像模型评分模块的新输入示例的值。
有关 DenseNet 的详细信息，请参阅研究论文：密集连接的卷积网络。
在设计器中将“DenseNet”组件添加到管道。
对于“模型名称”，请指定某个 DenseNet 结构的名称，然后就可以从下述受支持的 DenseNet 中进行选择：“densenet121”、“densenet161”、“densenet169”、“densenet201”。
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。
对于“内存效率”，请指定是否使用检查点（使用检查点可以提高内存效率，但速度较慢）。 有关详细信息，请参阅研究论文：DenseNet 的内存效率实现。
将 DenseNet 组件、训练和验证图像数据集组件的输出连接到训练 PyTorch 模型。
提交管道。
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。
| 名称 | 范围 | 类型 | 违约 | DESCRIPTION |
|---|---|---|---|---|
| 模型名称 | 任意 | 模式 | densenet201 | 特定 DenseNet 结构的名称 |
| 预先训练 | 任意 | 布尔型 | 真 实 | 是否使用在 ImageNet 上预先训练的模型 |
| 内存效率 | 任意 | 布尔型 | 假 | 是否使用检查点（使用检查点可以提高内存效率，但速度较慢） |
| 名称 | 类型 | DESCRIPTION |
|---|---|---|
| 未训练的模型 | UntrainedModelDirectory | 可以连接到训练 PyTorch 模型的未训练 DenseNet 模型。 |
请参阅 Azure 机器学习可用的组件集。