快捷方式

squeezenet1_1

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

来自官方 SqueezeNet 仓库的 SqueezeNet 1.1 模型。

与 SqueezeNet 1.0 相比,SqueezeNet 1.1 的计算量减少了 2.4 倍,参数略少,同时没有牺牲准确性。

参数:
  • weights (SqueezeNet1_1_Weights, 可选) – 要使用的预训练权重。更多详情和可能的值,请参阅下方的 SqueezeNet1_1_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 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_1_Weights(value)[源]

上述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。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

SqueezeNet1_1_Weights.IMAGENET1K_V1:

这些权重通过一个简单的训练配方,能够很好地复现论文中的结果。也可通过 SqueezeNet1_1_Weights.DEFAULT 获取。

acc@1(在 ImageNet-1K 上)

58.178

acc@5(在 ImageNet-1K 上)

80.624

类别

丁鲷,金鱼,大白鲨,… (省略 997 个)

配方

链接

最小尺寸

height=17, width=17

参数数量

1235496

GFLOPS

0.35

文件大小

4.7 MB

推理转换可在 SqueezeNet1_1_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) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小至 resize_size=[256],然后进行 crop_size=[224] 的中心裁剪。最后,值首先被重新缩放至 [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 全面开发者文档

查看文档

教程

获取适合初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并解答您的疑问

查看资源