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'
或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
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]
和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
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]
和std=[0.229, 0.224, 0.225]
进行归一化。