regnet_x_3_2gf

torchvision.models.regnet_x_3_2gf(*, weights: Optional[RegNet_X_3_2GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根据设计网络设计空间构建 RegNetX_3.2GF 架构。

参数：

• weights (RegNet_X_3_2GF_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RegNet_X_3_2GF_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.regnet.RegNet 或 torchvision.models.regnet.BlockParams 类的参数。有关这些类的更多详细信息，请参阅源代码。

class torchvision.models.RegNet_X_3_2GF_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。RegNet_X_3_2GF_Weights.DEFAULT 等效于 RegNet_X_3_2GF_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_3_2GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案准确地再现了论文的结果。

acc@1（在 ImageNet-1K 上）	78.364
acc@5（在 ImageNet-1K 上）	93.992
最小尺寸	高度=1，宽度=1
类别	tench、goldfish、great white shark、…（省略 997 个）
参数数量	15296552
方案	链接
GFLOPS	3.18
文件大小	58.8 MB

推理转换在 RegNet_X_3_2GF_Weights.IMAGENET1K_V1.transforms 中可用，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 调整为 resize_size=[256]，然后进行 crop_size=[224] 的中央裁剪。最后，将值首先重新缩放到 [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。

RegNet_X_3_2GF_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的修改版新训练方案改进了原始论文的结果。也可作为 RegNet_X_3_2GF_Weights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	81.196
acc@5（在 ImageNet-1K 上）	95.43
最小尺寸	高度=1，宽度=1
类别	tench、goldfish、great white shark、…（省略 997 个）
参数数量	15296552
方案	链接
GFLOPS	3.18
文件大小	58.8 MB

推理转换在 RegNet_X_3_2GF_Weights.IMAGENET1K_V2.transforms 中可用，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 调整为 resize_size=[232]，然后进行 crop_size=[224] 的中央裁剪。最后，将值首先重新缩放到 [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。