# ***************************************************************
# 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