torchvision.models
译者：BXuan694
models子包定义了以下模型架构：
你可以通过调用以下构造函数构造随机权重的模型：
import torchvision.models as models
resnet18 = models.resnet18()
alexnet = models.alexnet()
vgg16 = models.vgg16()
squeezenet = models.squeezenet1_0()
densenet = models.densenet161()
inception = models.inception_v3()
我们在torch.utils.model_zoo中提供了预训练模型。预训练模型可以通过传递参数pretrained=True构造：
import torchvision.models as models
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)
定义预训练模型时会把权值下载到一个缓存文件夹中，这个缓存文件可以通过环境变量TORCH_MODEL_ZOO来指定。更多细节见torch.utils.model_zoo.load_url()。
有些模型在训练和测试阶段用到了不同的模块，例如批标准化(batch normalization）。使用model.train()或model.eval()可以切换到相应的模式。更多细节见train()或eval()。
所有的预训练模型都要求输入图片以相同的方式进行标准化，即：小批(mini-batch）三通道RGB格式(3 x H x W），其中H和W不得小于224。图片加载时像素值的范围应在[0, 1]内，然后通过指定mean = [0.485, 0.456, 0.406]和std = [0.229, 0.224, 0.225]进行标准化，例如：
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225])
在imagenet的示例中可以看到标准化的一个应用。
下表是ImageNet单次224x224中心裁剪的错误率。
| 网络 | Top-1错误率(%） | Top-5错误率(%） |
|---|---|---|
| AlexNet | 43.45 | 20.91 |
| VGG-11 | 30.98 | 11.37 |
| VGG-13 | 30.07 | 10.75 |
| VGG-16 | 28.41 | 9.62 |
| VGG-19 | 27.62 | 9.12 |
| 带有批标准化的VGG-11 | 29.62 | 10.19 |
| 带有批标准化的VGG-13 | 28.45 | 9.63 |
| 带有批标准化的VGG-16 | 26.63 | 8.50 |
| 带有批标准化的VGG-19 | 25.76 | 8.15 |
| ResNet-18 | 30.24 | 10.92 |
| ResNet-34 | 26.70 | 8.58 |
| ResNet-50 | 23.85 | 7.13 |
| ResNet-101 | 22.63 | 6.44 |
| ResNet-152 | 21.69 | 5.94 |
| SqueezeNet 1.0 | 41.90 | 19.58 |
| SqueezeNet 1.1 | 41.81 | 19.38 |
| Densenet-121 | 25.35 | 7.83 |
| Densenet-169 | 24.00 | 7.00 |
| Densenet-201 | 22.80 | 6.43 |
| Densenet-161 | 22.35 | 6.20 |
| Inception v3 | 22.55 | 6.44 |
Alexnet
torchvision.models.alexnet(pretrained=False, **kwargs)
AlexNet模型，参见论文《One weird trick…》 。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
VGG
torchvision.models.vgg11(pretrained=False, **kwargs)
VGG11模型。(论文中的“A”模型）
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.vgg11_bn(pretrained=False, **kwargs)
VGG11模型，带有批标准化。(论文中的“A”模型）
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.vgg13(pretrained=False, **kwargs)
VGG13模型。(论文中的“B”模型）
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.vgg13_bn(pretrained=False, **kwargs)
VGG13模型，带有批标准化。(论文中的“B”模型）
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.vgg16(pretrained=False, **kwargs)
VGG16模型。(论文中的“D”模型）
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.vgg16_bn(pretrained=False, **kwargs)
VGG16模型，带有批标准化。(论文中的“D”模型）
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.vgg19(pretrained=False, **kwargs)
VGG19模型。(论文中的“E”模型）
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.vgg19_bn(pretrained=False, **kwargs)
VGG19模型，带有批标准化。(论文中的“E”模型）
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
ResNet
torchvision.models.resnet18(pretrained=False, **kwargs)
构造ResNet-18模型。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.resnet34(pretrained=False, **kwargs)
构造ResNet-34模型。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.resnet50(pretrained=False, **kwargs)
构造ResNet-50模型。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.resnet101(pretrained=False, **kwargs)
构造ResNet-101模型。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.resnet152(pretrained=False, **kwargs)
构造ResNet-152模型。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
SqueezeNet
torchvision.models.squeezenet1_0(pretrained=False, **kwargs)
SqueezeNet模型，参见论文《SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size》。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.squeezenet1_1(pretrained=False, **kwargs)
SqueezeNet 1.1模型，参见SqueezeNet官方仓库。SqueezeNet 1.1比SqueezeNet 1.0节约2.4倍的计算量，参数也略少，然而精度未做牺牲。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
DenseNet
torchvision.models.densenet121(pretrained=False, **kwargs)
Densenet-121模型，参见《Densely Connected Convolutional Networks》。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.densenet169(pretrained=False, **kwargs)
Densenet-169模型，参见《Densely Connected Convolutional Networks》。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.densenet161(pretrained=False, **kwargs)
Densenet-161模型，参见《Densely Connected Convolutional Networks》。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
torchvision.models.densenet201(pretrained=False, **kwargs)
Densenet-201模型，参见《Densely Connected Convolutional Networks》。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
Inception v3
torchvision.models.inception_v3(pretrained=False, **kwargs)
Inception v3模型，参见《Rethinking the Inception Architecture for Computer Vision》。
| 参数： | pretrained (bool) – 如果设置为True，返回ImageNet预训练模型 |
|---|---|
