快捷方式

efficientnet_b5

torchvision.models.efficientnet_b5(*, weights: Optional[EfficientNet_B5_Weights] = None, progress: bool = True, **kwargs: Any) EfficientNet[源代码]

来自EfficientNet:重新思考卷积神经网络的模型缩放论文的 EfficientNet B5 模型架构。

参数:
  • weights (EfficientNet_B5_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_B5_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

torchvision.models.EfficientNet_B5_Weights(value)[源代码]

上面的模型构建器接受以下值作为weights参数。EfficientNet_B5_Weights.DEFAULT等效于EfficientNet_B5_Weights.IMAGENET1K_V1。您还可以使用字符串,例如weights='DEFAULT'weights='IMAGENET1K_V1'

EfficientNet_B5_Weights.IMAGENET1K_V1:

这些权重是从原始论文移植过来的。也可作为EfficientNet_B5_Weights.DEFAULT使用。

acc@1(在 ImageNet-1K 上)

83.444

acc@5(在 ImageNet-1K 上)

96.628

类别

海鲷、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

30389784

GFLOPS

10.27

文件大小

116.9 MB

推理变换可在EfficientNet_B5_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调整大小到resize_size=[456],然后进行crop_size=[456]的中心裁剪。最后,值首先重新缩放至[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

获取针对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