efficientnet_b2

torchvision.models.efficientnet_b2(*, weights: Optional[EfficientNet_B2_Weights] = None, progress: bool = True, **kwargs: Any) → EfficientNet

EfficientNet B2 模型架构，来自 EfficientNet: 重新思考卷积神经网络的模型缩放 论文。

参数:

• weights (EfficientNet_B2_Weights, optional) – 要使用的预训练权重。有关更多详细信息和可能的值，请参阅下文的 EfficientNet_B2_Weights。默认情况下，不使用预训练权重。

• progress (bool, optional) – 如果为 True，则在 stderr 上显示下载进度条。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_B2_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。EfficientNet_B2_Weights.DEFAULT 等同于 EfficientNet_B2_Weights.IMAGENET1K_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

EfficientNet_B2_Weights.IMAGENET1K_V1:

这些权重从原始论文移植而来。也可作为 EfficientNet_B2_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	80.608
acc@5 (在 ImageNet-1K 上)	95.31
类别	tench, goldfish, great white shark, … (省略 997 个)
min_size	height=1, width=1
recipe	link
num_params	9109994
GFLOPS	1.09
文件大小	35.2 MB

推理转换可在 EfficientNet_B2_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) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BICUBIC 调整大小为 resize_size=[288]，然后进行中心裁剪，裁剪大小为 crop_size=[288]。最后，值首先被重新缩放到 [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。