Deep-Learning-with-PyTorch-2.1.1

2.1.1 获取用于图像识别的预训练网络

如上所述，我们现在将为自己配备在ImageNet上训练的网络。 为此，我们将看一下TorchVision项目（https://github.com/pytorch/vision），该项目包含一些计算机视觉性能最佳的神经网络体系结构，例如AlexNet（http://mng.bz/lo6z)、ResNet（https://arxiv.org/pdf/1512.03385.pdf）和Inception v3（https://arxiv.org/pdf/1512.00567.pdf）。 它还可以轻松访问ImageNet等数据集和其他实用程序，以快速掌握PyTorch中的计算机视觉应用程序。在本书中，我们将深入探讨其中的一些内容。 现在，让我们加载并运行两个网络：首先是AlexNet，这是图像识别领域的早期突破性网络之一； 然后是残差网络，简称ResNet，在2015年赢得了ImageNet分类，检测和本地化竞赛等奖项。如果您没有在第1章中启动PyTorch并开始运行，那么现在是进行此操作的好时机。

可以在torchvision.models中找到预定义的模型（code/p1ch2/2_pre_trained_networks.ipynb）：

# In[1]:
from torchvision import models

我们可以看一下实际模型：

# In[2]:
dir(models)

# Out[2]:
['AlexNet',
'DenseNet',
'Inception3',
'ResNet',
'SqueezeNet',
'VGG',
...
'alexnet',
'densenet',
'densenet121',
...
'resnet',
'resnet101',
'resnet152',
...]

大写的名称指的是实现许多流行模型的Python类。 它们的体系结构不同，即在输入和输出之间发生的操作安排不同。 小写名称是便利函数，可返回从这些类实例化的模型，有时具有不同的参数集。 例如，resnet101返回具有101层的ResNet实例，resnet18具有18层，依此类推。 现在，我们将注意力转向AlexNet。