regnet_x_800mf

torchvision.models.regnet_x_800mf(*, weights: Optional[RegNet_X_800MF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根据 Designing Network Design Spaces 构建 RegNetX_800MF 架构。

参数:

• weights (RegNet_X_800MF_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，请参阅下面的 RegNet_X_800MF_Weights。默认不使用预训练权重。

• progress (bool, 可选) – 如果为 True，则在 stderr 中显示下载进度条。默认值为 True。

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

class torchvision.models.RegNet_X_800MF_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。RegNet_X_800MF_Weights.DEFAULT 等同于 RegNet_X_800MF_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_800MF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方法，可以很好地复现论文结果。

acc@1 (在 ImageNet-1K 上)	75.212
acc@5 (在 ImageNet-1K 上)	92.348
最小尺寸	高度=1，宽度=1
类别	丁鲷, 金鱼, 大白鲨, ... (省略 997 个)
参数数量	7259656
训练方法	链接
GFLOPS	0.80
文件大小	27.9 MB

推理变换可从 RegNet_X_800MF_Weights.IMAGENET1K_V1.transforms 获得，并执行以下预处理操作：接受 PIL.Image 对象，批量的 (B, C, H, W) 和单个的 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整为 resize_size=[256]，然后进行中心裁剪 crop_size=[224]。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。

RegNet_X_800MF_Weights.IMAGENET1K_V2:

这些权重使用 TorchVision 新训练方法 的修改版本，改进了原始论文的结果。也可作为 RegNet_X_800MF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	77.522
acc@5 (在 ImageNet-1K 上)	93.826
最小尺寸	高度=1，宽度=1
类别	丁鲷, 金鱼, 大白鲨, ... (省略 997 个)
参数数量	7259656
训练方法	链接
GFLOPS	0.80
文件大小	27.9 MB

推理变换可从 RegNet_X_800MF_Weights.IMAGENET1K_V2.transforms 获得，并执行以下预处理操作：接受 PIL.Image 对象，批量的 (B, C, H, W) 和单个的 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整为 resize_size=[232]，然后进行中心裁剪 crop_size=[224]。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。