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_QuantizedWeights
或MobileNet_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'
或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
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]
和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'
或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
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]
和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
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]
和std=[0.229, 0.224, 0.225]
进行归一化。