快捷方式

convnext_small

torchvision.models.convnext_small(*, weights: Optional[ConvNeXt_Small_Weights] = None, progress: bool = True, **kwargs: Any) ConvNeXt[源代码]

来自论文面向 2020 年代的卷积神经网络的 ConvNeXt 小型模型架构。

参数:
  • weights (ConvNeXt_Small_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ConvNeXt_Small_Weights。默认情况下,不使用任何预训练权重。

  • progress (布尔值可选) – 如果为 True,则将下载进度条显示到标准错误输出。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

torchvision.models.ConvNeXt_Small_Weights(value)[源代码]

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

ConvNeXt_Small_Weights.IMAGENET1K_V1:

这些权重通过使用 TorchVision 的新训练方法的修改版本改进了原始论文的结果。也称为ConvNeXt_Small_Weights.DEFAULT

acc@1(在 ImageNet-1K 上)

83.616

acc@5(在 ImageNet-1K 上)

96.65

最小尺寸

高度=32,宽度=32

类别

海滩,金鱼,大白鲨,…(省略 997 个)

配方

链接

参数数量

50223688

GFLOPS

8.68

文件大小

191.7 MB

推理转换可在ConvNeXt_Small_Weights.IMAGENET1K_V1.transforms中找到,并执行以下预处理操作:接受PIL.Image、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调整大小到resize_size=[230],然后进行crop_size=[224]的中心裁剪。最后,将值首先重新缩放为[0.0, 1.0],然后使用mean=[0.485, 0.456, 0.406]std=[0.229, 0.224, 0.225]进行归一化。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源