快捷方式

alexnet

torchvision.models.alexnet(*, weights: Optional[AlexNet_Weights] = None, progress: bool = True, **kwargs: Any) AlexNet[源代码]

来自 并行化卷积神经网络的一个奇怪技巧 的 AlexNet 模型架构。

注意

AlexNet 最初在 使用深度卷积神经网络进行 ImageNet 分类 论文中提出。我们的实现基于上面的“一个奇怪的技巧”论文。

参数:
  • weights (AlexNet_Weights, 可选) – 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 AlexNet_Weights。默认情况下,不使用任何预训练权重。

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

  • **kwargs – 传递给 torchvision.models.squeezenet.AlexNet 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.AlexNet_Weights(value)[源代码]

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

AlexNet_Weights.IMAGENET1K_V1:

这些权重使用简化的训练配方,可以很好地再现论文的结果。也可以作为 AlexNet_Weights.DEFAULT 获得。

acc@1 (在 ImageNet-1K 上)

56.522

acc@5 (在 ImageNet-1K 上)

79.066

num_params

61100840

min_size

height=63, width=63

categories

tench, goldfish, great white shark, … (997 项省略)

recipe

link

GFLOPS

0.71

文件大小

233.1 MB

推理转换可在 AlexNet_Weights.IMAGENET1K_V1.transforms 中获得,并执行以下预处理操作:接受 PIL.Image、批处理 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[256],然后进行 crop_size=[224] 的中心裁剪。最后,值首先重新缩放到 [0.0, 1.0],然后使用 mean=[0.485, 0.456, 0.406]std=[0.229, 0.224, 0.225] 进行归一化。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源