快捷方式

mnasnet1_0

torchvision.models.mnasnet1_0(*, weights: Optional[MNASNet1_0_Weights] = None, progress: bool = True, **kwargs: Any) MNASNet[源代码]

来自 MnasNet:面向移动设备的平台感知神经架构搜索 论文的深度乘数为 1.0 的 MNASNet。

参数:
  • weights (MNASNet1_0_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,请参阅下面的 MNASNet1_0_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.mnasnet.MNASNet 基类的参数。有关此类的更多详细信息,请参阅 源代码

torchvision.models.MNASNet1_0_Weights(value)[源代码]

上面的模型构建器接受以下值作为 weights 参数。MNASNet1_0_Weights.DEFAULT 等效于 MNASNet1_0_Weights.IMAGENET1K_V1。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

MNASNet1_0_Weights.IMAGENET1K_V1:

这些权重紧密复制了论文的结果。也可作为 MNASNet1_0_Weights.DEFAULT 使用。

acc@1(在 ImageNet-1K 上)

73.456

acc@5(在 ImageNet-1K 上)

91.51

最小尺寸

高度=1,宽度=1

类别

tench、goldfish、great white shark、…(省略 997 个)

配方

链接

参数数量

4383312

GFLOPS

0.31

文件大小

16.9 MB

推理变换可在 MNASNet1_0_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.BILINEAR 调整大小到 resize_size=[256],然后进行 crop_size=[224] 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]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

获取面向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