efficientnet_b5

torchvision.models.efficientnet_b5(*, weights: Optional[EfficientNet_B5_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 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。

类 torchvision.models.EfficientNet_B5_Weights(value)

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'或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]和std=[0.229, 0.224, 0.225]进行归一化。