解决方案构想
本文是一种解决方案构想。 如果你希望我们在内容中扩充更多信息，例如潜在用例、备用服务、实现注意事项或定价指南，请通过提供 GitHub 反馈来告知我们。
使用卷积神经网络 (CNN) 高效地对大量图像进行分类，以识别图像中的元素。
体系结构
下载此体系结构的 Visio 文件。
数据流
- 上传到 Azure Blob 存储的图像由 Azure 机器学习引入。
- 由于该解决方案遵循监督式学习方法，需要标记数据来训练模型，因此在机器学习中对引入的图像进行标记。
- CNN 模型在机器学习笔记本中经过训练和验证。 有几种预先训练的图像分类模型可用。 可以通过使用迁移学习方法来使用这些模型。 有关预先训练 CNN 的某些变体的信息，请参阅使用卷积神经网络进行图像分类的改进。 可以下载这些图像分类模型，并使用标记的数据对其进行自定义。
- 训练后，模型存储在机器学习的模型注册表中。
- 模型通过批处理托管终结点进行部署。
- 模型结果将写入 Azure Cosmos DB，并通过前端应用程序使用。
组件
- Blob 存储是 Azure 存储中的一项服务。 Blob 存储提供针对大量非结构化数据进行了优化的云对象存储。
- 机器学习是一种基于云的环境，你可使用它来训练、部署、自动化、管理和跟踪机器学习模型。 可以使用这些模型来预测未来的行为、结果和趋势。
- Azure Cosmos DB 是一种全球分布式多模型数据库。 使用 Azure Cosmos DB，你的解决方案可以跨任意个数的地理区域弹性调整吞吐量和存储。
- Azure 容器注册表生成、存储和管理容器映像，并且可以存储容器化的机器学习模型。
方案详细信息
随着物联网 (IoT) 和 AI 等技术的崛起，世界正在生成大量数据。 从数据中提取相关信息已成为一项重大挑战。 图像分类是用于识别图像所代表的内容的相关解决方案。 图像分类可帮助你对大量图像进行分类。 卷积神经网络 (CNN) 在图像数据集上呈现良好的性能。 CNN 在开发最先进的图像分类解决方案方面发挥了重要作用。
CNN 中有三种主要类型的层：
- 卷积层
- 池化层
- 完全连接层
卷积层是卷积网络的第一层。 该层可位于另一个卷积层或池化层之后。 通常，完全连接层是网络中的最后一层。
随着层数的增加，模型的复杂性也会增加，模型可以识别更大的图像部分。 前面的层主要提供简单功能，例如边缘。 随着图像数据在 CNN 的层层推进，网络开始识别物体中更复杂的元素或形状。 最后，它标识预期的对象。
可能的用例
- 该解决方案可以帮助自动执行故障检测，这比仅依靠人工操作员更可取。 例如，该解决方案可以通过识别有故障的电子组件来提高生产率。 此功能对于精益制造、成本控制和减少制造中的浪费非常重要。 在电路板制造中，有故障的电路板可能会耗费制造商的资金和生产力。 组装线依赖于操作人员来快速查验由组装线测试机器标记为可能有故障的电路板。
- 图像分类非常适合用于医疗保健行业。 图像分类有助于检测骨裂、各种类型的癌症和组织异常。 还可以使用图像分类来标记可能表明存在疾病的异常情况。 图像分类模型可以提高 MRI 的准确性。
- 在农业领域，图像分类解决方案有助于识别植物病害和缺水的植物。 因此，图像分类有助于减少对人为干预的需求。
作者
本文由 Microsoft 维护， 最初由以下参与者撰写。
主要作者：
- Ashish Chauhan | 高级解决方案架构师
若要查看非公开领英个人资料，请登录领英。
后续步骤
- 若要了解有关 Blob 存储的详细信息，请参阅 Azure Blob 存储简介。
- 若要了解有关容器注册表的详细信息，请参阅 Azure 中的容器注册表简介。
- 若要了解有关模型管理 (MLOps) 的详细信息，请参阅 MOps：使用 Azure 机器学习进行模型管理、部署、世系跟踪和监视。
- 要了解有关 SynapseML 的详细信息，请参阅 Synapse 机器学习。
- 若要浏览包含有关 CNN 的部分的 Microsoft Learn 模块，请参阅训练和评估深度学习模型。