jittor.models.vgg 源代码

# ***************************************************************
# Copyright (c) 2023 Jittor. All Rights Reserved. 
# Maintainers: 
#     Guoye Yang <498731903@qq.com>
#     Dun Liang <randonlang@gmail.com>. 
# 
# This file is subject to the terms and conditions defined in
# file 'LICENSE.txt', which is part of this source code package.
# ***************************************************************
# This model is generated by pytorch converter.
import jittor as jt
from jittor import nn

__all__ = [
    'VGG', 'vgg11', 'vgg11_bn', 'vgg13', 'vgg13_bn', 'vgg16', 'vgg16_bn',
    'vgg19_bn', 'vgg19',
]

[文档] class VGG(nn.Module): ''' VGG模型源自 `Very Deep Convolutional Networks for Large-Scale Image Recognition <https://arxiv.org/abs/1409.1556>`__。 参数: - features (nn.Module): 用来构建VGG中的卷积层的模块 - num_classes (int, optional): 分类的类别数量。默认值: 1000 - drop_last (bool, optional): 是否初始化权重。默认值: True 属性: - features (nn.Module): VGG卷积层部分。 - avgpool (nn.AdaptiveAvgPool2d): 自适应平均池化层, 输出固定为 7x7 - classifier (nn.Sequential): 分类器部分, 包括三个完全连接层和激活/丢失层 代码示例: >>> import jittor as jt >>> from jittor.models.vgg import VGG, vgg16_bn >>> vgg_model = VGG(features=vgg16_bn().features, num_classes=1000, init_weights=True) >>> input_tensor = jt.randn(1, 3, 224, 224) >>> output = vgg_model(input_tensor) ''' def __init__(self, features, num_classes=1000, init_weights=True): super(VGG, self).__init__() self.features = features self.avgpool = nn.AdaptiveAvgPool2d((7, 7)) self.classifier = nn.Sequential( nn.Linear(512 * 7 * 7, 4096), nn.ReLU(), nn.Dropout(), nn.Linear(4096, 4096), nn.ReLU(), nn.Dropout(), nn.Linear(4096, num_classes), ) def execute(self, x): x = self.features(x) x = self.avgpool(x) x = jt.reshape(x, [x.shape[0],-1]) x = self.classifier(x) return x
def make_layers(cfg, batch_norm=False): layers = [] in_channels = 3 for v in cfg: if v == 'M': layers += [nn.Pool(kernel_size=2, stride=2, op="maximum")] else: conv2d = nn.Conv(in_channels, v, kernel_size=3, padding=1) if batch_norm: layers += [conv2d, nn.BatchNorm(v), nn.ReLU()] else: layers += [conv2d, nn.ReLU()] in_channels = v return nn.Sequential(*layers) cfgs = { 'A': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], 'B': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], 'D': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M'], 'E': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512, 'M'], } def _vgg(arch, cfg, batch_norm, **kwargs): ''' 用于创建一个VGG模型 参数: - arch (str): 模型的架构, 如 'vgg16' 或 'vgg19'。 - cfg (str), 模型的配置, 表明每个卷积块中的卷积层的数量 - batch_norm (bool), 是否在每个卷积层之后使用批量规范化层。默认为False。 代码示例: >>> model = _vgg('vgg11', 'A', False) 返回值: 返回由输入参数定义的VGG模型。 ''' model = VGG(make_layers(cfgs[cfg], batch_norm=batch_norm), **kwargs) return model
[文档] def vgg11(pretrained=False, **kwargs): ''' 构建VGG11模型 VGG模型源自 `Very Deep Convolutional Networks for Large-Scale Image Recognition <https://arxiv.org/abs/1409.1556>`__。 参数: - `pretrained` (bool): 表示是否加载预训练的VGG11模型。默认为 `False`。如果设为 `True`, 函数会自动下载并加载预训练的VGG11模型。 - `**kwargs`: 可变参数, 允许用户传递额外的、自定义的参数给 `_vgg` 函数。 代码示例: >>> import jittor as jt >>> from jittor.models.vgg import * >>> net = vgg11(pretrained=True) >>> x = jt.rand(1, 3, 224, 224) >>> y = net(x) >>> y.shape [1,1000,] 返回值: - 返回一个VGG11模型实例。如果 `pretrained=True`, 则返回的模型将加载预训练权重;否则, 返回一个未经训练的VGG11模型。 ''' model = _vgg('vgg11', 'A', False, **kwargs) if pretrained: model.load("jittorhub://vgg11.pkl") return model
[文档] def vgg11_bn(pretrained=False, **kwargs): ''' 构建带有批量归一化的VGG11模型 VGG模型源自 `Very Deep Convolutional Networks for Large-Scale Image Recognition <https://arxiv.org/abs/1409.1556>`__。 参数: - `pretrained` (bool): 表示是否加载预训练的VGG11模型。默认为 `False`。如果设为 `True`, 函数会自动下载并加载预训练的VGG11模型。 - `**kwargs`: 可变参数, 允许用户传递额外的、自定义的参数给 `_vgg` 函数。 返回值: - 返回一个VGG11_BN模型实例。如果 `pretrained=True`, 则返回的模型将加载预训练权重;否则, 返回一个未经训练的VGG11_BN模型。 代码示例: >>> import jittor as jt >>> from jittor.models.vgg import * >>> net = vgg11_bn(pretrained=True) >>> x = jt.rand(1, 3, 224, 224) >>> y = net(x) >>> y.shape [1,1000,] ''' model = _vgg('vgg11_bn', 'A', True, **kwargs) if pretrained: model.load("jittorhub://vgg11_bn.pkl") return model
[文档] def vgg13(pretrained=False, **kwargs): ''' 构建并返回VGG13模型 VGG模型源自 `Very Deep Convolutional Networks for Large-Scale Image Recognition <https://arxiv.org/abs/1409.1556>`__。 参数: - `pretrained` (bool): 表示是否加载预训练的VGG13模型。默认为 `False`。如果设为 `True`, 函数会自动下载并加载预训练的VGG13模型。 - `**kwargs`: 可变参数, 允许用户传递额外的、自定义的参数给 `_vgg` 函数。 返回值: - 返回一个VGG13模型实例。如果 `pretrained=True`, 则返回的模型将加载预训练权重;否则, 返回一个未经训练的VGG13模型。 代码示例: >>> import jittor as jt >>> from jittor.models.vgg import * >>> net = vgg13(pretrained=True) >>> x = jt.rand(1, 3, 224, 224) >>> y = net(x) >>> y.shape [1,1000,] ''' model = _vgg('vgg13', 'B', False, **kwargs) if pretrained: model.load("jittorhub://vgg13.pkl") return model
[文档] def vgg13_bn(pretrained=False, **kwargs): ''' 构建带有批量归一化的VGG13模型 VGG模型源自 `Very Deep Convolutional Networks for Large-Scale Image Recognition <https://arxiv.org/abs/1409.1556>`__。 参数: - `pretrained` (bool): 表示是否加载预训练的VGG13模型。默认为 `False`。如果设为 `True`, 函数会自动下载并加载预训练的VGG13模型。 - `**kwargs`: 可变参数, 允许用户传递额外的、自定义的参数给 `_vgg` 函数。 返回值: - 返回一个VGG13_BN模型实例。如果 `pretrained=True`, 则返回的模型将加载预训练权重;否则, 返回一个未经训练的VGG13_BN模型。 代码示例: >>> import jittor as jt >>> from jittor.models.vgg import * >>> net = vgg13_bn(pretrained=True) >>> x = jt.rand(1, 3, 224, 224) >>> y = net(x) >>> y.shape [1,1000,] ''' model = _vgg('vgg13_bn', 'B', True, **kwargs) if pretrained: model.load("jittorhub://vgg13_bn.pkl") return model
[文档] def vgg16(pretrained=False, **kwargs): ''' 构建VGG16模型 VGG模型源自 `Very Deep Convolutional Networks for Large-Scale Image Recognition <https://arxiv.org/abs/1409.1556>`__。 参数: - `pretrained` (bool): 表示是否加载预训练的VGG16模型。默认为 `False`。如果设为 `True`, 函数会自动下载并加载预训练的VGG16模型。 - `**kwargs`: 可变参数, 允许用户传递额外的、自定义的参数给 `_vgg` 函数。 返回值: - 返回一个VGG16模型实例。如果 `pretrained=True`, 则返回的模型将加载预训练权重;否则, 返回一个未经训练的VGG16模型。 代码示例: >>> import jittor as jt >>> from jittor.models.vgg import * >>> net = vgg16(pretrained=True) >>> x = jt.rand(1, 3, 224, 224) >>> y = net(x) >>> y.shape [1,1000,] ''' model = _vgg('vgg16', 'D', False, **kwargs) if pretrained: model.load("jittorhub://vgg16.pkl") return model
[文档] def vgg16_bn(pretrained=False, **kwargs): ''' 构建带有批量归一化的VGG16模型 VGG模型源自 `Very Deep Convolutional Networks for Large-Scale Image Recognition <https://arxiv.org/abs/1409.1556>`__。 参数: - `pretrained` (bool): 表示是否加载预训练的VGG16模型。默认为 `False`。如果设为 `True`, 函数会自动下载并加载预训练的VGG16模型。 - `**kwargs`: 可变参数, 允许用户传递额外的、自定义的参数给 `_vgg` 函数。 返回值: - 返回一个VGG16_BN模型实例。如果 `pretrained=True`, 则返回的模型将加载预训练权重;否则, 返回一个未经训练的VGG16_BN模型。 代码示例: >>> import jittor as jt >>> from jittor.models.vgg import * >>> net = vgg16_bn(pretrained=True) >>> x = jt.rand(1, 3, 224, 224) >>> y = net(x) >>> y.shape [1,1000,] ''' model = _vgg('vgg16_bn', 'D', True, **kwargs) if pretrained: model.load("jittorhub://vgg16_bn.pkl") return model
[文档] def vgg19(pretrained=False, **kwargs): ''' 构建VGG19模型 VGG模型源自 `Very Deep Convolutional Networks for Large-Scale Image Recognition <https://arxiv.org/abs/1409.1556>`__。 参数: - `pretrained` (bool): 表示是否加载预训练的VGG19模型。默认为 `False`。如果设为 `True`, 函数会自动下载并加载预训练的VGG19模型。 - `**kwargs`: 可变参数, 允许用户传递额外的、自定义的参数给 `_vgg` 函数。 返回值: - 返回一个VGG19模型实例。如果 `pretrained=True`, 则返回的模型将加载预训练权重;否则, 返回一个未经训练的VGG19模型。 代码示例: >>> import jittor as jt >>> from jittor.models.vgg import * >>> net = vgg19(pretrained=True) >>> x = jt.rand(1, 3, 224, 224) >>> y = net(x) >>> y.shape [1,1000,] ''' model = _vgg('vgg19', 'E', False, **kwargs) if pretrained: model.load("jittorhub://vgg19.pkl") return model
[文档] def vgg19_bn(pretrained=False, **kwargs): ''' 构建带有批量归一化的VGG19模型 VGG模型源自 `Very Deep Convolutional Networks for Large-Scale Image Recognition <https://arxiv.org/abs/1409.1556>`__。 参数: - `pretrained` (bool): 表示是否加载预训练的VGG19模型。默认为 `False`。如果设为 `True`, 函数会自动下载并加载预训练的VGG19模型。 - `**kwargs`: 可变参数, 允许用户传递额外的、自定义的参数给 `_vgg` 函数。 返回值: - 返回一个VGG19_BN模型实例。如果 `pretrained=True`, 则返回的模型将加载预训练权重;否则, 返回一个未经训练的VGG19_BN模型。 代码示例: >>> import jittor as jt >>> from jittor.models.vgg import * >>> net = vgg19_bn(pretrained=True) >>> x = jt.rand(1, 3, 224, 224) >>> y = net(x) >>> y.shape [1,1000,] ''' model = _vgg('vgg19_bn', 'E', True, **kwargs) if pretrained: model.load("jittorhub://vgg19_bn.pkl") return model