AlexNet


import torch
model = torch.hub.load('pytorch/vision:v0.10.0', 'alexnet', pretrained=True)
model.eval()
所有预训练模型都期望输入图像以相同的方式进行归一化,即形状为 `(3 x H x W)` 的 3 通道 RGB 图像的小批量,其中 `H` 和 `W` 预期至少为 `224`。图像必须加载到 `[0, 1]` 范围,然后使用 `mean = [0.485, 0.456, 0.406]` 和 `std = [0.229, 0.224, 0.225]` 进行归一化。
这是一个示例执行。
# Download an example image from the pytorch website
import urllib
url, filename = ("https://github.com/pytorch/hub/raw/master/images/dog.jpg", "dog.jpg")
try: urllib.URLopener().retrieve(url, filename)
except: urllib.request.urlretrieve(url, filename)
# sample execution (requires torchvision)
from PIL import Image
from torchvision import transforms
input_image = Image.open(filename)
preprocess = transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
input_tensor = preprocess(input_image)
input_batch = input_tensor.unsqueeze(0) # create a mini-batch as expected by the model
# move the input and model to GPU for speed if available
if torch.cuda.is_available():
input_batch = input_batch.to('cuda')
model.to('cuda')
with torch.no_grad():
output = model(input_batch)
# Tensor of shape 1000, with confidence scores over ImageNet's 1000 classes
print(output[0])
# The output has unnormalized scores. To get probabilities, you can run a softmax on it.
probabilities = torch.nn.functional.softmax(output[0], dim=0)
print(probabilities)
# Download ImageNet labels
!wget https://raw.githubusercontent.com/pytorch/hub/master/imagenet_classes.txt
# Read the categories
with open("imagenet_classes.txt", "r") as f:
categories = [s.strip() for s in f.readlines()]
# Show top categories per image
top5_prob, top5_catid = torch.topk(probabilities, 5)
for i in range(top5_prob.size(0)):
print(categories[top5_catid[i]], top5_prob[i].item())
模型描述
AlexNet 参加了 2012 年 9 月 30 日的 ImageNet 大规模视觉识别挑战赛。该网络达到了 15.3% 的 top-5 错误率,比第二名低 10.8 个百分点以上。原始论文的主要结果是,模型的深度对其高性能至关重要,尽管计算成本高昂,但由于在训练期间使用了图形处理单元(GPU),因此变得可行。
下面列出了使用预训练模型在 ImageNet 数据集上的 1-裁剪错误率。
模型结构 | Top-1 错误率 | Top-5 错误率 |
---|---|---|
AlexNet | 43.45 | 20.91 |
参考资料
