efficientnet_b3

torchvision.models.efficientnet_b3(*, weights: Optional[EfficientNet_B3_Weights] = None, progress: bool = True, **kwargs: Any) → EfficientNet

来自EfficientNet：重新思考卷积神经网络的模型缩放论文的 EfficientNet B3 模型架构。

参数：

• weights (EfficientNet_B3_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_B3_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。有关此类的更多详细信息，请参阅源代码。

类 torchvision.models.EfficientNet_B3_Weights(value)

上面的模型构建器接受以下值作为weights参数。EfficientNet_B3_Weights.DEFAULT等效于EfficientNet_B3_Weights.IMAGENET1K_V1。您也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。

EfficientNet_B3_Weights.IMAGENET1K_V1:

这些权重是从原始论文移植的。也可作为EfficientNet_B3_Weights.DEFAULT使用。

acc@1（在 ImageNet-1K 上）	82.008
acc@5（在 ImageNet-1K 上）	96.054
类别	塘鲺、金鱼、大白鲨、……（省略 997 个）
最小尺寸	高度=1，宽度=1
配方	链接
参数数量	12233232
GFLOPS	1.83
文件大小	47.2 MB

推理转换可在EfficientNet_B3_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=[320]，然后进行crop_size=[300]的中心裁剪。最后，将值首先重新缩放到[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。