convnext_large

torchvision.models.convnext_large(*, weights: Optional[ConvNeXt_Large_Weights] = None, progress: bool = True, **kwargs: Any) → ConvNeXt

来自《A ConvNet for the 2020s》论文的 ConvNeXt Large 模型架构。

参数：

• weights (ConvNeXt_Large_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，请参阅下文中的 ConvNeXt_Large_Weights。默认情况下，不使用预训练权重。

• progress (bool, 可选) – 如果为 True，则在标准错误输出中显示下载进度条。默认为 True。

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

类 torchvision.models.ConvNeXt_Large_Weights(value)

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

ConvNeXt_Large_Weights.IMAGENET1K_V1:

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 ConvNeXt_Large_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	84.414
acc@5 (在 ImageNet-1K 上)	96.976
最小尺寸	高=32, 宽=32
类别	丁鳜、金鱼、大白鲨，… (省略 997 个)
训练方案	链接
参数数量	197767336
GFLOPS	34.36
文件大小	754.5 MB

推理变换可在 ConvNeXt_Large_Weights.IMAGENET1K_V1.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (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，裁剪尺寸为 crop_size=[224]。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。