efficientnet_b1

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

出自论文 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 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，请参阅下方的 EfficientNet_B1_Weights。默认情况下，不使用预训练权重。

• progress (bool, 可选) – 如果为 True，则在标准错误中显示下载进度条。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:

这些权重从原始论文中移植而来。

acc@1 (在 ImageNet-1K 上)	78.642
acc@5 (在 ImageNet-1K 上)	94.186
类别	丁鱥, 金鱼, 大白鲨, ... (省略 997 个)
min_size	height=1, width=1
训练方案	链接
参数数量	7794184
GFLOPS	0.69
文件大小	30.1 MB

推理转换可在 EfficientNet_B1_Weights.IMAGENET1K_V1.transforms 处获得，并执行以下预处理操作：接受 PIL.Image 对象，批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BICUBIC 重塑为 resize_size=[256]，然后进行 crop_size=[240] 的中心裁剪。最后，先将值重新缩放到 [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。

EfficientNet_B1_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 新训练方案 的修改版本，改进了原始论文的结果。也可用作 EfficientNet_B1_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	79.838
acc@5 (在 ImageNet-1K 上)	94.934
类别	丁鱥, 金鱼, 大白鲨, ... (省略 997 个)
min_size	height=1, width=1
训练方案	链接
参数数量	7794184
GFLOPS	0.69
文件大小	30.1 MB

推理转换可在 EfficientNet_B1_Weights.IMAGENET1K_V2.transforms 处获得，并执行以下预处理操作：接受 PIL.Image 对象，批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 重塑为 resize_size=[255]，然后进行 crop_size=[240] 的中心裁剪。最后，先将值重新缩放到 [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。