squeezenet1_1

torchvision.models.squeezenet1_1(*, weights: Optional[SqueezeNet1_1_Weights] = None, progress: bool = True, **kwargs: Any) → SqueezeNet

来自官方 SqueezeNet 仓库的 SqueezeNet 1.1 模型。

SqueezeNet 1.1 的计算量比 SqueezeNet 1.0 少 2.4 倍，参数略少，同时不会牺牲准确性。

参数：

• weights (SqueezeNet1_1_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，请参见下面的SqueezeNet1_1_Weights。默认情况下，不使用任何预训练权重。

• progress (bool, 可选) – 如果为 True，则将下载进度条显示到标准错误输出。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_1_Weights(value)

上面的模型构建器接受以下值作为weights参数。SqueezeNet1_1_Weights.DEFAULT等效于SqueezeNet1_1_Weights.IMAGENET1K_V1。您还可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。

SqueezeNet1_1_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案，可以很好地复现论文的结果。也可作为SqueezeNet1_1_Weights.DEFAULT使用。

acc@1（在 ImageNet-1K 上）	58.178
acc@5（在 ImageNet-1K 上）	80.624
类别	海葵、金鱼、大白鲨、……（省略 997 个）
方案	链接
最小尺寸	高度=17，宽度=17
参数数量	1235496
GFLOPS	0.35
文件大小	4.7 MB

推理转换位于SqueezeNet1_1_Weights.IMAGENET1K_V1.transforms，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。使用interpolation=InterpolationMode.BILINEAR将图像调整为resize_size=[256]，然后进行crop_size=[224]的中心裁剪。最后，将值先重新缩放到[0.0, 1.0]，然后使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]进行归一化。