Skip to content

torchvision.models

译者:@那伊抹微笑、@dawenzi123、@LeeGeong、@liandongze

校对者:@咸鱼

torchvision.models 模块的子模块中包含以下模型结构:

你可以使用随机初始化的权重来创建这些模型:

import torchvision.models as models
resnet18 = models.resnet18()
alexnet = models.alexnet()
vgg16 = models.vgg16()
squeezenet = models.squeezenet1_0()
densenet = models.densenet161()
inception = models.inception_v3()

我们提供使用PyTorch torch.utils.model_zoo 预训练 (pre-train)的模型, 可以通过参数 pretrained=True 来构造这些预训练模型.

import torchvision.models as models
resnet18 = models.resnet18(pretrained=True)
alexnet = models.alexnet(pretrained=True)
squeezenet = models.squeezenet1_0(pretrained=True)
vgg16 = models.vgg16(pretrained=True)
densenet = models.densenet161(pretrained=True)
inception = models.inception_v3(pretrained=True)

所有预训练 (pre-train) 模型要求输入图像使用相同的标准化处理, 例如: mini-batches 中 RGB 三通道图像的 shape (3 x H x W), H 和 W 需要至少为 224, 图像必须被加载在 [0, 1] 的范围内 然后使用 mean = [0.485, 0.456, 0.406]std = [0.229, 0.224, 0.225] 进行标准化处理. 你可以使用以下转换进行预标准化预处理:

normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                 std=[0.229, 0.224, 0.225])

一个使用这种标准化处理的 imagenet 样例 here

ImageNet 1-crop error rates (224x224)

Network Top-1 error Top-5 error
AlexNet 43.45 20.91
VGG-11 30.98 11.37
VGG-13 30.07 10.75
VGG-16 28.41 9.62
VGG-19 27.62 9.12
VGG-11 with batch normalization 29.62 10.19
VGG-13 with batch normalization 28.45 9.63
VGG-16 with batch normalization 26.63 8.50
VGG-19 with batch normalization 25.76 8.15
ResNet-18 30.24 10.92
ResNet-34 26.70 8.58
ResNet-50 23.85 7.13
ResNet-101 22.63 6.44
ResNet-152 21.69 5.94
SqueezeNet 1.0 41.90 19.58
SqueezeNet 1.1 41.81 19.38
Densenet-121 25.35 7.83
Densenet-169 24.00 7.00
Densenet-201 22.80 6.43
Densenet-161 22.35 6.20
Inception v3 22.55 6.44

Alexnet

torchvision.models.alexnet(pretrained=False, **kwargs)

AlexNet 模型结构论文地址 “One weird trick…” .

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

VGG

torchvision.models.vgg11(pretrained=False, **kwargs)

VGG 11层模型 (configuration “A”)

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.vgg11_bn(pretrained=False, **kwargs)

带有批标准化(batch normalization) 的VGG 11层模型 (configuration “A”)

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.vgg13(pretrained=False, **kwargs)

VGG 13层模型 (configuration “B”)

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.vgg13_bn(pretrained=False, **kwargs)

带有批标准化(batch normalization) 的 VGG 13层模型 (configuration “B”)

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.vgg16(pretrained=False, **kwargs)

VGG 16层模型 (configuration “D”)

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.vgg16_bn(pretrained=False, **kwargs)

带有批标准化(batch normalization) 的 VGG 16层模型 (configuration “D”)

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.vgg19(pretrained=False, **kwargs)

VGG 19层模型 (configuration “E”)

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.vgg19_bn(pretrained=False, **kwargs)

带有批标准化(batch normalization) 的 VGG 19层模型 (configuration 'E')

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

ResNet

torchvision.models.resnet18(pretrained=False, **kwargs)

构造一个 ResNet-18 模型.

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.resnet34(pretrained=False, **kwargs)

构造一个 ResNet-34 模型.

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.resnet50(pretrained=False, **kwargs)

构造一个 ResNet-50 模型.

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.resnet101(pretrained=False, **kwargs)

构造一个 ResNet-101 模型.

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.resnet152(pretrained=False, **kwargs)

构造一个 ResNet-152 模型.

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

SqueezeNet

torchvision.models.squeezenet1_0(pretrained=False, **kwargs)

SqueezeNet 模型结构源于论文: “SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size”

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.squeezenet1_1(pretrained=False, **kwargs)

SqueezeNet 1.1 模型源于论文: official SqueezeNet repo. SqueezeNet 1.1 比 SqueezeNet 1.0 减少了 2.4倍的运算量, 并在不损伤准确率的基础上减少了少许参数.

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

DenseNet

torchvision.models.densenet121(pretrained=False, **kwargs)

Densenet-121 模型源自于: “Densely Connected Convolutional Networks”

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.densenet169(pretrained=False, **kwargs)

Densenet-169 模型源自于: “Densely Connected Convolutional Networks”

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.densenet161(pretrained=False, **kwargs)

Densenet-161 模型源自于: “Densely Connected Convolutional Networks”

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

torchvision.models.densenet201(pretrained=False, **kwargs)

Densenet-201 模型源自于: “Densely Connected Convolutional Networks”

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.

Inception v3

torchvision.models.inception_v3(pretrained=False, **kwargs)

Inception v3 模型结构源自于 “Rethinking the Inception Architecture for Computer Vision”.

参数:pretrained (bool) – True, 返回一个在 ImageNet 上预训练的模型.



回到顶部