vgg16¶
- torchvision.models.vgg16(*, weights: Optional[VGG16_Weights] = None, progress: bool = True, **kwargs: Any) VGG [源代码]¶
来自 用于大规模图像识别的非常深的卷积网络 的 VGG-16。
- 参数:
weights (
VGG16_Weights
, 可选) – 要使用的预训练权重。有关更多详细信息和可能的取值,请参见下面的VGG16_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.vgg.VGG
基类的参数。有关此类的更多详细信息,请参考 源代码。
- class torchvision.models.VGG16_Weights(value)[源代码]¶
上面的模型构建器接受以下值作为
weights
参数。VGG16_Weights.DEFAULT
等效于VGG16_Weights.IMAGENET1K_V1
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_V1'
。VGG16_Weights.IMAGENET1K_V1:
这些权重是使用简化的训练配方从头开始训练的。也可以作为
VGG16_Weights.DEFAULT
使用。acc@1 (在 ImageNet-1K 上)
71.592
acc@5 (在 ImageNet-1K 上)
90.382
最小尺寸
height=32, width=32
类别
tench, goldfish, great white shark, … (997 项省略)
配方
参数数量
138357544
GFLOPS
15.47
文件大小
527.8 MB
推理变换在
VGG16_Weights.IMAGENET1K_V1.transforms
中可用,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
调整大小为resize_size=[256]
,然后以crop_size=[224]
进行中心裁剪。最后,这些值首先重新缩放为[0.0, 1.0]
,然后使用mean=[0.485, 0.456, 0.406]
和std=[0.229, 0.224, 0.225]
进行标准化。VGG16_Weights.IMAGENET1K_FEATURES:
这些权重不能用于分类,因为它们在 classifier 模块中缺少值。只有 features 模块具有有效值,可用于特征提取。这些权重使用论文中描述的原始输入标准化方法进行训练。
acc@1 (在 ImageNet-1K 上)
nan
acc@5 (在 ImageNet-1K 上)
nan
最小尺寸
height=32, width=32
类别
None
配方
参数数量
138357544
GFLOPS
15.47
文件大小
527.8 MB
推理变换在
VGG16_Weights.IMAGENET1K_FEATURES.transforms
中可用,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
调整大小为resize_size=[256]
,然后以crop_size=[224]
进行中心裁剪。最后,这些值首先重新缩放为[0.0, 1.0]
,然后使用mean=[0.48235, 0.45882, 0.40784]
和std=[0.00392156862745098, 0.00392156862745098, 0.00392156862745098]
进行标准化。