通过

你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

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 模式 resnext101_32x8d 特定 ResNet 结构的名称
经过预先训练 任意 布尔 真 实 是否使用在 ImageNet 上预先训练的模型
零初始化残留 任意 布尔 假 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 类型 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。