Pytorch教程內(nèi)置模型源碼實(shí)現(xiàn)
更新時(shí)間：2021年09月07日 12:03:14 作者：xz1308579340
本文是關(guān)于Pytorch教程文章，本篇主要為教大家Pytorch內(nèi)置模型源碼實(shí)現(xiàn)，有需要的朋友可以借鑒參考下，希望可以有所幫助，祝大家多多進(jìn)步，早日升職加薪
翻譯自
https://pytorch.org/docs/stable/torchvision/models.html
主要講解了torchvision.models的使用
torchvision.models
torchvision.models中包含了如下模型
- AlexNet
- VGG
- ResNet
- SqueezeNet
- DenseNet
- Inception v3
隨機(jī)初始化模型
import torchvision.models as models resnet18 = models.resnet18() alexnet = models.alexnet() vgg16 = models.vgg16() squeezenet = models.squeezenet1_0() desnet = models.densenet161() inception =models.inception_v3()
使用預(yù)訓(xùn)練好的參數(shù)
pytorch提供了預(yù)訓(xùn)練的模型，使用torch.utils.model_zoo ，通過讓參數(shù)pretrained =True來構(gòu)建訓(xùn)練好的模型
方法如下
resnet18 = models.resnet18(pretrained=True) alexnet = models.alexnet(pretrained=True) squeezenet = models.squeezenet1_0(pretrained=True) vgg16 = models.vgg16(pretrained=True) densenet = models.densenet161(pretrained=True) inception = models.inception_v3(pretrained=True)
實(shí)例化一個(gè)預(yù)訓(xùn)練好的模型會(huì)自動(dòng)下載權(quán)重到緩存目錄，這個(gè)權(quán)重存儲(chǔ)路徑可以通過環(huán)境變量TORCH_MODEL_ZOO來指定，詳細(xì)的參考torch.utils.model_zoo.load_url() 這個(gè)函數(shù)
有的模型試驗(yàn)了不同的訓(xùn)練和評(píng)估，例如batch normalization。使用model.train()和model.eval()來轉(zhuǎn)換，查看train() or eval() 來了解更多細(xì)節(jié)
所有的預(yù)訓(xùn)練網(wǎng)絡(luò)希望使用相同的方式進(jìn)行歸一化，例如圖片是mini-batch形式的3通道RGB圖片(3HW),H和W最少是244,。 圖像必須加載到[0,1]范圍內(nèi)，然后使用均值=[0.485,0.456,0.406]和std =[0.229, 0.224, 0.225]進(jìn)行歸一化。
您可以使用以下轉(zhuǎn)換來normalzie:
normalize = trainform.Normalize9mean = [0.485,0.456,0.406],std = [0.229,0.224,0.225])
在這里我們可以找到一個(gè)在Imagenet上的這樣的例子
https://github.com/pytorch/examples/blob/42e5b996718797e45c46a25c55b031e6768f8440/imagenet/main.py#L89-L101
目前這些模型的效果如下
下面是模型源碼的具體實(shí)現(xiàn)，具體實(shí)現(xiàn)大家可以閱讀源碼
###ALEXNET torchvision.models.alexnet(pretrained=False, **kwargs)[SOURCE] AlexNet model architecture from the “One weird trick…” paper. Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet ###VGG torchvision.models.vgg11(pretrained=False, **kwargs)[SOURCE] VGG 11-layer model (configuration “A”) Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.vgg11_bn(pretrained=False, **kwargs)[SOURCE] VGG 11-layer model (configuration “A”) with batch normalization Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.vgg13(pretrained=False, **kwargs)[SOURCE] VGG 13-layer model (configuration “B”) Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.vgg13_bn(pretrained=False, **kwargs)[SOURCE] VGG 13-layer model (configuration “B”) with batch normalization Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.vgg16(pretrained=False, **kwargs)[SOURCE] VGG 16-layer model (configuration “D”) Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.vgg16_bn(pretrained=False, **kwargs)[SOURCE] VGG 16-layer model (configuration “D”) with batch normalization Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.vgg19(pretrained=False, **kwargs)[SOURCE] VGG 19-layer model (configuration “E”) Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.vgg19_bn(pretrained=False, **kwargs)[SOURCE] VGG 19-layer model (configuration ‘E') with batch normalization Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet RESNET torchvision.models.resnet18(pretrained=False, **kwargs)[SOURCE] Constructs a ResNet-18 model. Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.resnet34(pretrained=False, **kwargs)[SOURCE] Constructs a ResNet-34 model. Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.resnet50(pretrained=False, **kwargs)[SOURCE] Constructs a ResNet-50 model. Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.resnet101(pretrained=False, **kwargs)[SOURCE] Constructs a ResNet-101 model. Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.resnet152(pretrained=False, **kwargs)[SOURCE] Constructs a ResNet-152 model. Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet SQUEEZENET torchvision.models.squeezenet1_0(pretrained=False, **kwargs)[SOURCE] SqueezeNet model architecture from the “SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size” paper. Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.squeezenet1_1(pretrained=False, **kwargs)[SOURCE] SqueezeNet 1.1 model from the official SqueezeNet repo. SqueezeNet 1.1 has 2.4x less computation and slightly fewer parameters than SqueezeNet 1.0, without sacrificing accuracy. Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet DENSENET torchvision.models.densenet121(pretrained=False, **kwargs)[SOURCE] Densenet-121 model from “Densely Connected Convolutional Networks” Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.densenet169(pretrained=False, **kwargs)[SOURCE] Densenet-169 model from “Densely Connected Convolutional Networks” Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.densenet161(pretrained=False, **kwargs)[SOURCE] Densenet-161 model from “Densely Connected Convolutional Networks” Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet torchvision.models.densenet201(pretrained=False, **kwargs)[SOURCE] Densenet-201 model from “Densely Connected Convolutional Networks” Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet INCEPTION V3 torchvision.models.inception_v3(pretrained=False, **kwargs)[SOURCE] Inception v3 model architecture from “Rethinking the Inception Architecture for Computer Vision”. Parameters: pretrained (bool) – If True, returns a model pre-trained on ImageNet
以上就是Pytorch教程內(nèi)置模型源碼實(shí)現(xiàn)的詳細(xì)內(nèi)容，更多關(guān)于Pytorch內(nèi)置模型的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
在學(xué)習(xí)Python正則式的過程中,有一個(gè)問題一直困擾我,如何去匹配一個(gè)反斜杠（即“\”）,下面這篇文章主要給大家介紹了關(guān)于python使用正則表達(dá)式匹配反斜杠\的相關(guān)資料,需要的朋友可以參考下2022-09-09
Python中，對(duì)象的賦值，拷貝（深/淺拷貝）之間是有差異的，如果使用的時(shí)候不注意，就可能產(chǎn)生意外的結(jié)果,其實(shí)這個(gè)是由于共享內(nèi)存導(dǎo)致的結(jié)果，下面我們來簡(jiǎn)單談下Python中的深拷貝和淺拷貝。2018-09-09
Python機(jī)器學(xué)習(xí)pytorch交叉熵?fù)p失函數(shù)的深刻理解
這篇文章主要為大家介紹了Python機(jī)器學(xué)習(xí)中對(duì)交叉熵?fù)p失函數(shù)的深刻理解，文中作出了詳細(xì)易懂的講解，有需要的朋友可以借鑒參考下希望能夠有所幫助2021-10-10
這篇文章主要介紹了詳解pygame捕獲鍵盤事件的兩種方式，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-04-04
Python中初始化一個(gè)二維數(shù)組及注意事項(xiàng)說明
這篇文章主要介紹了Python中初始化一個(gè)二維數(shù)組及注意事項(xiàng)說明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-08-08
Python實(shí)現(xiàn)日期判斷和加減操作詳解
這篇文章主要介紹了如何利用Python實(shí)現(xiàn)日期的判斷，以及對(duì)日期的加減操作，文中的示例代碼對(duì)我們學(xué)習(xí)或工作有一定的價(jià)值，需要的可以參考一下2022-01-01
利用python實(shí)時(shí)刷新基金估值效果(摸魚小工具)
這篇文章主要介紹了利用python實(shí)時(shí)刷新基金估值(摸魚小工具),本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2021-09-09
使用Python實(shí)現(xiàn)合并多個(gè)Excel文件
合并Excel可以將多個(gè)文件中的數(shù)據(jù)合并到一個(gè)文件中,這樣可以幫助我們更好地匯總和管理數(shù)據(jù),本文主要介紹了如何使用第三方Python庫(kù) Spire.XLS for Python 實(shí)現(xiàn)以上兩種合并Excel文件的需求,有需要的可以了解下2023-12-12
本文主要介紹了python爬蟲之PySpider框架的使用，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-05-05
Python字典的概念及常見應(yīng)用實(shí)例詳解
這篇文章主要介紹了Python字典的概念及常見應(yīng)用,結(jié)合實(shí)例形式詳細(xì)的分析了Python字典的概念、原理、創(chuàng)建、常見操作函數(shù)與使用注意事項(xiàng),需要的朋友可以參考下2019-10-10