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'
或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
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]
和std=[0.229, 0.224, 0.225]
进行归一化。