功能型动物园

PyTorch 和 Tensorflow 的模型定义及预训练权重

与 Lua Torch 不同，PyTorch 的核心内置了自动求导功能，因此无需使用 torch.nn 模块的模块化结构。用户可以直接分配所需的 Variable，并编写利用这些 Variable 的函数，这在某些情况下更为便捷。本仓库以这种函数式的方式提供了模型定义，并为部分模型附带了预训练权重。

权重以 HDF5 格式的数组字典形式序列化，因此可以轻松加载到其他框架中。感谢 @edgarriba 提供的 cpp_parser，可以在 C++ 中加载这些权重。

更多模型即将加入！我们还计划在未来添加其他框架的模型定义，可能首先会是 tiny-dnn。欢迎贡献！

另请参阅使用 PyTorch 进行 ImageNet 分类的 demo.ipynb 示例。

模型

所有模型均通过 imagenet-validation.py 脚本验证了其报告的准确率（该脚本依赖于 OpenCV 的 Python 绑定）。

要在 Python 中加载权重，首先运行 pip install hickle，然后执行以下代码：

import hickle as hkl
weights = hkl.load('resnet-18-export.hkl')

遗憾的是，hickle 对 Python 3 的支持尚未完善，因此这些模型将被重新保存为 PyTorch 的 pickle 格式，并支持 torch.utils.model_zoo.load_url 加载方式，例如：

weights = model_zoo.load_url('https://s3.amazonaws.com/modelzoo-networks/wide-resnet-50-2-export-5ae25d50.pth')

此外，make_dot 已被移至一个独立的包：PyTorchViz。

折叠版

以下模型已将批量归一化参数和统计信息折叠进卷积层中，以提升速度。不建议用于微调。

ImageNet

模型	笔记本	验证误差	下载链接	大小
VGG-16	vgg-16.ipynb	30.09, 10.69	链接待定	528 MB
NIN	nin-export.ipynb	32.96, 12.29	链接	33 MB
ResNet-18 (fb)	resnet-18-export.ipynb	30.43, 10.76	链接	42 MB
ResNet-18-AT	resnet-18-at-export.ipynb	29.44, 10.12	链接	44.1 MB
ResNet-34 (fb)	resnet-34-export.ipynb	26.72, 8.74	链接	78.3 MB
WRN-50-2	wide-resnet-50-2-export.ipynb	22.0, 6.05	链接	246 MB

快速神经风格迁移

笔记本：fast-neural-style.ipynb

模型：

模型	下载链接	大小
candy.hkl	链接	7.1 MB
feathers.hkl	链接	7.1 MB
wave.hkl	链接	7.1 MB

带批量归一化的模型

敬请期待

functional-zoo 快速上手指南

functional-zoo 是一个提供 PyTorch 和 TensorFlow 模型定义及预训练权重的开源项目。其特色在于采用“函数式”风格定义模型（直接操作 Variable 而非强制使用 torch.nn 模块结构），并将权重序列化为 hdf5 格式，便于跨框架加载。

环境准备

• 操作系统：Linux / macOS / Windows
• Python 版本：推荐 Python 2.7（原文指出 hickle 对 Python 3 的支持尚未完善，若需使用 .hkl 权重文件）；若使用 PyTorch 原生 pickle 格式 (.pth)，则支持 Python 3。
• 核心依赖：
  • PyTorch
  • hickle (用于加载 .hkl 权重)
  • OpenCV (python bindings，用于运行验证脚本)
  • HDF5 支持库

安装步骤

1. 克隆仓库

   git clone https://github.com/szagoruyko/functional-zoo.git
   cd functional-zoo
   

2. 安装 Python 依赖 首先安装 hickle 以支持权重加载：

   pip install hickle
   

   注：若遇到 Python 3 兼容性问题，建议直接使用项目提供的 .pth 格式权重（通过 torch.utils.model_zoo 加载），此时可不强制依赖 hickle。

3. 安装其他可选依赖 如需运行精度验证脚本或查看可视化结果：

   pip install opencv-python
   # 可视化图结构需单独安装
   pip install pytorchviz
   

基本使用

1. 加载预训练权重

方式 A：加载 HDF5 格式权重 (.hkl) 适用于需要跨框架使用或特定函数式模型的场景（主要兼容 Python 2）：

import hickle as hkl

# 加载本地权重文件
weights = hkl.load('resnet-18-export.hkl')

方式 B：加载 PyTorch 原生格式权重 (.pth) 推荐用于 Python 3 环境，直接通过 URL 加载：

from torch.utils import model_zoo

# 直接从网络加载 Wide ResNet-50-2 权重
weights = model_zoo.load_url('https://s3.amazonaws.com/modelzoo-networks/wide-resnet-50-2-export-5ae25d50.pth')

2. 使用折叠模型 (Folded Models)

项目提供的 ImageNet 模型（如 VGG-16, ResNet-18 等）已将 BatchNorm 参数和统计量折叠进卷积层以提升推理速度。

• 适用场景：推理部署、快速测试。
• 注意事项：不建议将这些折叠后的模型用于微调（Finetuning），因为 BatchNorm 层已被合并。

3. 快速体验示例

参考项目自带的 Notebook 进行 ImageNet 分类或神经风格迁移测试：

• ImageNet 分类演示：查看 demo.ipynb 或具体模型对应的 notebook（如 vgg-16.ipynb）。

• 快速神经风格迁移： 下载风格模型（如 candy.hkl）后，参考 fast-neural-style.ipynb 进行图像风格转换。

  # 示例：加载风格迁移权重
  style_weights = hkl.load('fast-neural-style/candy.hkl')
  

提示：由于原始权重托管在 AWS S3 或 Dropbox，国内访问速度可能较慢。如遇下载超时，建议配置代理或使用支持断点续传的下载工具获取 .hkl 或 .pth 文件至本地后加载。