regnet_y_32gf

torchvision.models.regnet_y_32gf(*, weights: Optional[RegNet_Y_32GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

从 设计网络设计空间构建 RegNetY_32GF 架构。

参数：

• weights (RegNet_Y_32GF_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_Y_32GF_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。默认值为 True。

• **kwargs – 传递给 torchvision.models.regnet.RegNet 或 torchvision.models.regnet.BlockParams 类。有关类的更多详细信息，请参阅 源代码。

class torchvision.models.RegNet_Y_32GF_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。 RegNet_Y_32GF_Weights.DEFAULT 等效于 RegNet_Y_32GF_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_Y_32GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练配方，可以再现论文中的结果。

acc@1 (在 ImageNet-1K 上)	80.878
acc@5 (在 ImageNet-1K 上)	95.34
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (997 被省略)
num_params	145046770
recipe	link
GFLOPS	32.28
文件大小	554.1 MB

推理转换在 RegNet_Y_32GF_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 调整大小为 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_Y_32GF_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的 新的训练配方 的修改版本，改进了原始论文的结果。也可以作为 RegNet_Y_32GF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	83.368
acc@5 (在 ImageNet-1K 上)	96.498
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (997 被省略)
num_params	145046770
recipe	link
GFLOPS	32.28
文件大小	554.1 MB

推理转换在 RegNet_Y_32GF_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 调整大小为 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。

RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_E2E_V1:

这些权重通过在 ImageNet-1K 数据上对原始 SWAG 权重进行端到端微调，通过迁移学习来学习。

acc@1 (在 ImageNet-1K 上)	86.838
acc@5 (在 ImageNet-1K 上)	98.362
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (997 被省略)
recipe	link
license	link
num_params	145046770
GFLOPS	94.83
文件大小	554.1 MB

推理转换在 RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_E2E_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.BICUBIC 调整大小为 resize_size=[384]，然后进行 crop_size=[384] 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_Y_32GF_Weights.IMAGENET1K_SWAG_LINEAR_V1:

这些权重由原始冻结的 SWAG 主干权重和在 ImageNet-1K 数据集上训练的线性分类器组成。

acc@1 (在 ImageNet-1K 上)	84.622
acc@5 (在 ImageNet-1K 上)	97.48
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (997 被省略)
recipe	link
license	link
num_params	145046770
GFLOPS	32.28
文件大小	554.1 MB

推理转换可在 RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_LINEAR_V1.transforms 中找到，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 调整到 resize_size=[224]，然后进行中心裁剪，裁剪大小为 crop_size=[224]。最后，值首先重新调整到 [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。