pytorch resnet150など学習済みモデルの利用

こちらのサイトを見ながら学習済みモデルを使っています。
特に学習済みモデルとTop1/5-エラー率の関係がわかりやすくてよいですね。
どのモデルを利用するかTop1/5-エラー率とパラメータ数（計算時間などにも関係）などを比較しながら確認できます。

pystyle

Pytorch – 学習済みモデルで画像分類を行う方法

https://pystyle.info/pytorch-how-to-use-pretrained-model/

torchvision で提供されている学習済みのモデルを紹介し、推論を行う方法について解説します。

pytorchで利用できるモデルの確認
モデルの利用

pytorchで利用できるモデルの確認

pytorch(1.8.0)で利用できるモデルを確認してみました。

import torchvision.models as models
dir(models)
['AlexNet', 'DenseNet', 'GoogLeNet', 'GoogLeNetOutputs', 'Inception3', 'InceptionOutputs', 'MNASNet', 'MobileNetV2', 'MobileNetV3', 'ResNet', 'ShuffleNetV2', 'SqueezeNet', 'VGG', '_GoogLeNetOutputs', '_InceptionOutputs', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__path__', '__spec__', '_utils', 'alexnet', 'densenet', 'densenet121', 'densenet161', 'densenet169', 'densenet201', 'detection', 'googlenet', 'inception', 'inception_v3', 'mnasnet', 'mnasnet0_5', 'mnasnet0_75', 'mnasnet1_0', 'mnasnet1_3', 'mobilenet', 'mobilenet_v2', 'mobilenet_v3_large', 'mobilenet_v3_small', 'mobilenetv2', 'mobilenetv3', 'quantization', 'resnet', 'resnet101', 'resnet152', 'resnet18', 'resnet34', 'resnet50', 'resnext101_32x8d', 'resnext50_32x4d', 'segmentation', 'shufflenet_v2_x0_5', 'shufflenet_v2_x1_0', 'shufflenet_v2_x1_5', 'shufflenet_v2_x2_0', 'shufflenetv2', 'squeezenet', 'squeezenet1_0', 'squeezenet1_1', 'utils', 'vgg', 'vgg11', 'vgg11_bn', 'vgg13', 'vgg13_bn', 'vgg16', 'vgg16_bn', 'vgg19', 'vgg19_bn', 'video', 'wide_resnet101_2', 'wide_resnet50_2']