efficientnet_b0

torchvision.models.efficientnet_b0(*, weights: Optional[EfficientNet_B0_Weights] = None, progress: bool = True, **kwargs: Any) → EfficientNet

来自论文《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》的 EfficientNet B0 模型架构。

参数：

• weights (EfficientNet_B0_Weights, 可选) – 要使用的预训练权重。请参阅下面的EfficientNet_B0_Weights 了解更多详细信息和可能的值。默认情况下，不使用预训练权重。

• progress (bool, 可选) – 如果为 True，则向 stderr 显示下载进度条。默认为 True。

• **kwargs – 传递给 torchvision.models.efficientnet.EfficientNet 基类的参数。请参阅源代码了解有关此类的更多详细信息。

class torchvision.models.EfficientNet_B0_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。EfficientNet_B0_Weights.DEFAULT 等同于 EfficientNet_B0_Weights.IMAGENET1K_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

EfficientNet_B0_Weights.IMAGENET1K_V1:

这些权重是从原始论文移植而来。也可用作 EfficientNet_B0_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	77.692
acc@5 (在 ImageNet-1K 上)	93.532
类别	tench, goldfish, great white shark, … (省略 997 项)
最小尺寸	高=1, 宽=1
方法	链接
参数数量	5288548
GFLOPS	0.39
文件大小	20.5 MB

推理转换（inference transforms）可在 EfficientNet_B0_Weights.IMAGENET1K_V1.transforms 中获取，并执行以下预处理操作：接受 PIL.Image、批处理 (B, C, H, W) 和单张 (C, H, W) 图像的 torch.Tensor 对象。使用 interpolation=InterpolationMode.BICUBIC 将图像大小调整为 resize_size=[256]，然后进行中心裁剪，裁剪大小为 crop_size=[224]。最后，先将值缩放至 [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。