快捷方式

squeezenet1_0

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

SqueezeNet 模型架构,出自论文 SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size

参数:
  • weights (SqueezeNet1_0_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,请参阅下方的 SqueezeNet1_0_Weights。默认情况下,不使用预训练权重。

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

上述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'weights='IMAGENET1K_V1'

SqueezeNet1_0_Weights.IMAGENET1K_V1:

这些权重使用简单的训练配方,能够很好地复现论文中的结果。也可通过 SqueezeNet1_0_Weights.DEFAULT 访问。

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)

训练配方

链接

最小尺寸

高=21, 宽=21

参数数量

1248424

GFLOPS

0.82

文件大小

4.8 MB

推理变换可通过 SqueezeNet1_0_Weights.IMAGENET1K_V1.transforms 获取,并执行以下预处理操作:接受 PIL.Image 对象、批量 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 方法调整大小至 resize_size=[256],然后进行中心裁剪至 crop_size=[224]。最后,值首先被缩放到 [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

获取 PyTorch 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者的深入教程

查看教程

资源

查找开发资源并获得问题解答

查看资源