PyTorch源码解读(四)torchvision.models

本文详细介绍了PyTorch中的torchvision.models包,包括其包含的常用网络结构如alexnet、densenet、inception、resnet、squeezenet和vgg等。通过实例展示了如何导入和使用预训练模型,特别是densenet的导入和源码分析。DenseNet模型的核心是密集连接和特征重用,由DenseBlock和Transition组成,其中DenseBlock采用BN+Relu+3x3Conv结构,Transition层则包含1x1Conv和2x2AvgPooling。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

PyTorch框架中有一个非常重要且好用的包:torchvision,该包主要由3个子包组成,分别是:torchvision.datasets torchvision.models、torchvision.transforms。这3个子包的具体介绍可以参考官网https://pytorch.org/docs/master/torchvision/datasets.html

我的另外两篇博客对其他两个部分做了介绍分别为:


torchvision.transformshttps://blog.youkuaiyun.com/sinat_42239797/article/details/93857364
torchvision.datasetshttps://blog.youkuaiyun.com/sinat_42239797/article/details/93916790

 

这篇博客介绍torchvision.models。torchvision.models这个包中alexnet、densenet、inception、resnet、squeezenet、vgg等常用的网络结构,并且提供了预训练模型,可以通过简单调用来读取网络结构和预训练模型。

如何调用上述模型?

	import torchvision 
	model = torchvision.models.densenet(pretrained=True)

这样就导入了densenet的预训练模型了。如果只需要网络结构,不需要用预训练模型的参数来初始化,那么就是:

	model = torchvision.models.densenet(pretrained=False)

由于pretrained参数默认是False,所以等价于:

​
	model = torchvision.models.densenet(pretrained=False)

接下来以导入densenet为例介绍具体导入模型时候的源码。运行model = torchvision.models.densenet(pretrained=True)的时候,是通过models包下的densenet.py脚本进行的,源码如下:

import re
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.utils.model_zoo as model_zoo
from collections import OrderedDict

__all__ = ['DenseNet', 'densenet121', 'densenet169', 'densenet201', 'densenet161']


model_urls = {
    'densenet121': 'https://download.pytorch.org/models/densenet121-a639ec97.pth',
    'densenet169': 'https://download.pytorch.org/models/densenet169-b2777c0a.pth',
    'densenet201': 'https://download.pytorch.org/models/densenet201-c1103571.pth',
    'densenet161': 'https://download.pytorch.org/models/densenet161-8d451a50.pth',
}

首先是导入必要的库,其中model_zoo是和导入预训练

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值