快捷方式

mobilenet_v3_large

torchvision.models.quantization.mobilenet_v3_large(*, weights: Optional[Union[MobileNet_V3_Large_QuantizedWeights, MobileNet_V3_Large_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) QuantizableMobileNetV3[source]

来自 Searching for MobileNetV3 的 MobileNetV3(大型)模型。

注意

请注意,quantize = True 返回一个具有 8 位权重的量化模型。量化模型仅支持推理并在 CPU 上运行。GPU 推理尚不支持。

参数:
  • weights (MobileNet_V3_Large_QuantizedWeightsMobileNet_V3_Large_Weights,可选) – 模型的预训练权重。有关更多详细信息和可能的值,请参见下面的 MobileNet_V3_Large_QuantizedWeights。默认情况下,不使用任何预训练权重。

  • progress (bool) – 如果为 True,则在 stderr 上显示下载进度条。默认为 True。

  • quantize (bool) – 如果为 True,则返回模型的量化版本。默认为 False。

  • **kwargs – 传递给 torchvision.models.quantization.MobileNet_V3_Large_QuantizedWeights 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.quantization.MobileNet_V3_Large_QuantizedWeights(value)[source]

上面的模型构建器接受以下值作为 weights 参数。MobileNet_V3_Large_QuantizedWeights.DEFAULT 等效于 MobileNet_V3_Large_QuantizedWeights.IMAGENET1K_QNNPACK_V1。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_QNNPACK_V1'

MobileNet_V3_Large_QuantizedWeights.IMAGENET1K_QNNPACK_V1:

这些权重是通过在下面列出的非量化权重之上进行量化感知训练(急切模式)生成的。也可作为 MobileNet_V3_Large_QuantizedWeights.DEFAULT 使用。

acc@1(在 ImageNet-1K 上)

73.004

acc@5(在 ImageNet-1K 上)

90.858

参数数量

5483032

最小尺寸

高度=1,宽度=1

类别

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

后端

qnnpack

配方

链接

非量化

MobileNet_V3_Large_Weights.IMAGENET1K_V1

GIPS

0.22

文件大小

21.6 MB

推理变换可在 MobileNet_V3_Large_QuantizedWeights.IMAGENET1K_QNNPACK_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 调整到 resize_size=[256],然后进行 crop_size=[224] 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。

class torchvision.models.MobileNet_V3_Large_Weights(value)[source]

上面的模型构建器接受以下值作为 weights 参数。MobileNet_V3_Large_Weights.DEFAULT 等效于 MobileNet_V3_Large_Weights.IMAGENET1K_V2。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

MobileNet_V3_Large_Weights.IMAGENET1K_V1:

这些权重是使用简单的训练配方从头开始训练的。

acc@1(在 ImageNet-1K 上)

74.042

acc@5(在 ImageNet-1K 上)

91.34

最小尺寸

高度=1,宽度=1

类别

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

参数数量

5483032

配方

链接

GFLOPS

0.22

文件大小

21.1 MB

推理变换可在 MobileNet_V3_Large_Weights.IMAGENET1K_V1.transforms 中获取,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,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。

MobileNet_V3_Large_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的修改版 新训练方案,略微改进了原始论文的结果。也可作为 MobileNet_V3_Large_Weights.DEFAULT 使用。

acc@1(在 ImageNet-1K 上)

75.274

acc@5(在 ImageNet-1K 上)

92.566

最小尺寸

高度=1,宽度=1

类别

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

参数数量

5483032

配方

链接

GFLOPS

0.22

文件大小

21.1 MB

推理变换可在 MobileNet_V3_Large_Weights.IMAGENET1K_V2.transforms 中获取,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=[232],然后进行 crop_size=[224] 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