mobilenet_v2¶
- torchvision.models.mobilenet_v2(*, weights: Optional[MobileNet_V2_Weights] = None, progress: bool = True, **kwargs: Any) MobileNetV2 [源代码]¶
来自 MobileNetV2:倒置残差和线性瓶颈 论文的 MobileNetV2 架构。
- 参数:
weights (
MobileNet_V2_Weights
, 可选) – 要使用的预训练权重。有关更多详细信息和可能的取值,请参见下面的MobileNet_V2_Weights
。默认情况下,不使用任何预训练权重。progress (bool, 可选) – 如果为 True,则在 stderr 上显示下载进度条。默认值为 True。
**kwargs – 传递给
torchvision.models.mobilenetv2.MobileNetV2
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.MobileNet_V2_Weights(value)[源代码]¶
上面的模型构建器接受以下值作为
weights
参数。MobileNet_V2_Weights.DEFAULT
等效于MobileNet_V2_Weights.IMAGENET1K_V2
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_V1'
。MobileNet_V2_Weights.IMAGENET1K_V1:
这些权重使用简单的训练方案,可以很好地重现论文的结果。
acc@1 (在 ImageNet-1K 上)
71.878
acc@5 (在 ImageNet-1K 上)
90.286
num_params
3504872
min_size
height=1, width=1
categories
tench, goldfish, great white shark, … (省略 997)
recipe
GFLOPS
0.30
文件大小
13.6 MB
推理转换在
MobileNet_V2_Weights.IMAGENET1K_V1.transforms
中可用,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
调整大小至resize_size=[256]
,然后进行crop_size=[224]
的中心裁剪。最后,将值先重新缩放到[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。MobileNet_V2_Weights.IMAGENET1K_V2:
这些权重使用 TorchVision 的 新训练方案 的修改版,改进了原始论文的结果。也可以作为
MobileNet_V2_Weights.DEFAULT
使用。acc@1 (在 ImageNet-1K 上)
72.154
acc@5 (在 ImageNet-1K 上)
90.822
num_params
3504872
min_size
height=1, width=1
categories
tench, goldfish, great white shark, … (省略 997)
recipe
GFLOPS
0.30
文件大小
13.6 MB
推理转换在
MobileNet_V2_Weights.IMAGENET1K_V2.transforms
中可用,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
调整大小至resize_size=[232]
,然后进行crop_size=[224]
的中心裁剪。最后,将值先重新缩放到[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。