快捷方式

efficientnet_b1

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

来自论文 EfficientNet:重新思考卷积神经网络的模型缩放 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,请参见下面的 EfficientNet_B1_Weights。默认情况下,不使用任何预训练权重。

  • progress (bool, 可选) – 如果为 True,则将下载进度条显示到 stderr。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)[源代码]

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'weights='IMAGENET1K_V1'

EfficientNet_B1_Weights.IMAGENET1K_V1:

这些权重是从原始论文中移植的。

acc@1(在 ImageNet-1K 上)

78.642

acc@5(在 ImageNet-1K 上)

94.186

类别

tench、goldfish、great white shark、…(省略 997 个)

最小尺寸

高度=1,宽度=1

配方

链接

参数数量

7794184

GFLOPS

0.69

文件大小

30.1 MB

推理变换可在 EfficientNet_B1_Weights.IMAGENET1K_V1.transforms 中获得,并执行以下预处理操作:接受 PIL.Image、批处理 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BICUBIC 调整大小为 resize_size=[256],然后进行 crop_size=[240] 的中央裁剪。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。

EfficientNet_B1_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的修改版 新训练配方 改进了原始论文的结果。也可作为 EfficientNet_B1_Weights.DEFAULT 使用。

acc@1(在 ImageNet-1K 上)

79.838

acc@5(在 ImageNet-1K 上)

94.934

类别

tench、goldfish、great white shark、…(省略 997 个)

最小尺寸

高度=1,宽度=1

配方

链接

参数数量

7794184

GFLOPS

0.69

文件大小

30.1 MB

推理变换可在 EfficientNet_B1_Weights.IMAGENET1K_V2.transforms 中获得,并执行以下预处理操作:接受 PIL.Image、批处理 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[255],然后进行 crop_size=[240] 的中央裁剪。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