squeezenet1_0

torchvision.models.squeezenet1_0(*, weights: Optional[SqueezeNet1_0_Weights] = None, progress: bool = True, **kwargs: Any) → SqueezeNet

SqueezeNet 模型架构，来自 SqueezeNet: AlexNet 级别精度，参数减少 50 倍，模型大小 <0.5MB 的论文。

参数:

• weights (SqueezeNet1_0_Weights, optional) – 要使用的预训练权重。有关更多详细信息和可能的值，请参阅下面的 SqueezeNet1_0_Weights。默认情况下，不使用预训练权重。

• progress (bool, optional) – 如果为 True，则在 stderr 上显示下载进度条。默认为 True。

• **kwargs – 传递给 torchvision.models.squeezenet.SqueezeNet 基类的参数。有关此类的更多详细信息，请参阅 源代码。

class torchvision.models.SqueezeNet1_0_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。SqueezeNet1_0_Weights.DEFAULT 等同于 SqueezeNet1_0_Weights.IMAGENET1K_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

SqueezeNet1_0_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方法再现了论文的结果。也可用作 SqueezeNet1_0_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	58.092
acc@5 (在 ImageNet-1K 上)	80.42
类别	丁鲷, 金鱼, 大白鲨, … (省略 997 个)
配方	链接
最小尺寸	高度=21, 宽度=21
参数数量	1248424
GFLOPS	0.82
文件大小	4.8 MB

推理转换可在 SqueezeNet1_0_Weights.IMAGENET1K_V1.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像被调整大小为 resize_size=[256]，使用 interpolation=InterpolationMode.BILINEAR，然后进行中心裁剪 crop_size=[224]。最后，值首先被重新缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行标准化。