efficientnet_b1

torchvision.models.efficientnet_b1(*, weights: Optional[EfficientNet_B1_Weights] = None, progress: bool = True, **kwargs: Any) → EfficientNet

来自论文 EfficientNet：重新思考卷积神经网络的模型缩放 的 EfficientNet B1 模型架构。

参数：

• weights (EfficientNet_B1_Weights，可选) – 要使用的预训练权重。有关更多详细信息和可能的值，请参见下面的 EfficientNet_B1_Weights。默认情况下，不使用任何预训练权重。

• progress (bool, 可选) – 如果为 True，则将下载进度条显示到 stderr。默认为 True。

• **kwargs – 传递给 torchvision.models.efficientnet.EfficientNet 基类的参数。有关此类的更多详细信息，请参阅 源代码。

class torchvision.models.EfficientNet_B1_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。EfficientNet_B1_Weights.DEFAULT 等效于 EfficientNet_B1_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

EfficientNet_B1_Weights.IMAGENET1K_V1:

这些权重是从原始论文中移植的。

acc@1（在 ImageNet-1K 上）	78.642
acc@5（在 ImageNet-1K 上）	94.186
类别	tench、goldfish、great white shark、…（省略 997 个）
最小尺寸	高度=1，宽度=1
配方	链接
参数数量	7794184
GFLOPS	0.69
文件大小	30.1 MB

推理变换可在 EfficientNet_B1_Weights.IMAGENET1K_V1.transforms 中获得，并执行以下预处理操作：接受 PIL.Image、批处理 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BICUBIC 调整大小为 resize_size=[256]，然后进行 crop_size=[240] 的中央裁剪。最后，将值首先重新缩放为 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。

EfficientNet_B1_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的修改版 新训练配方 改进了原始论文的结果。也可作为 EfficientNet_B1_Weights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	79.838
acc@5（在 ImageNet-1K 上）	94.934
类别	tench、goldfish、great white shark、…（省略 997 个）
最小尺寸	高度=1，宽度=1
配方	链接
参数数量	7794184
GFLOPS	0.69
文件大小	30.1 MB

推理变换可在 EfficientNet_B1_Weights.IMAGENET1K_V2.transforms 中获得，并执行以下预处理操作：接受 PIL.Image、批处理 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[255]，然后进行 crop_size=[240] 的中央裁剪。最后，将值首先重新缩放为 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。