squeezenet1_0

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

來自 SqueezeNet：AlexNet 等級的準確性，但參數減少 50 倍且模型大小 <0.5MB 論文的 SqueezeNet 模型架構。

參數:

• weights (SqueezeNet1_0_Weights, optional) – 要使用的預訓練權重。請參閱下方的 SqueezeNet1_0_Weights 以了解更多細節和可能的值。預設情況下，不使用預先訓練的權重。

• progress (bool, optional) – 如果為 True，則在 stderr 上顯示下載的進度條。預設值為 True。

• **kwargs – 傳遞到 torchvision.models.squeezenet.SqueezeNet 基底類別的參數。關於此類別的更多詳細資訊，請參考 原始程式碼。

class torchvision.models.SqueezeNet1_0_Weights(value)

上面的模型建構器接受以下數值作為 weights 參數。SqueezeNet1_0_Weights.DEFAULT 相當於 SqueezeNet1_0_Weights.IMAGENET1K_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

SqueezeNet1_0_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，非常接近地重現了論文的結果。也可作為 SqueezeNet1_0_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	58.092
acc@5 (在 ImageNet-1K 上)	80.42
類別	tench, goldfish, great white shark, … (省略 997 個)
配方	連結
min_size	height=21, width=21
num_params	1248424
GFLOPS	0.82
檔案大小	4.8 MB

推論轉換可在 SqueezeNet1_0_Weights.IMAGENET1K_V1.transforms 中取得，並執行以下預處理操作： 接受 PIL.Image，批次化的 (B, C, H, W) 和單一的 (C, H, W) 圖像 torch.Tensor 物件。 圖像被調整大小為 resize_size=[256]，使用 interpolation=InterpolationMode.BILINEAR 進行插值，然後進行 crop_size=[224] 的中心裁剪。 最後，這些值首先被重新縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行正規化。