resnet18¶
- torchvision.models.quantization.resnet18(*, weights: Optional[Union[ResNet18_QuantizedWeights, ResNet18_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) QuantizableResNet [source]¶
来自 用于图像识别的深度残差学习 的 ResNet-18 模型
注意
请注意,
quantize = True
返回具有 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 推理尚未得到支持。- 参数:
weights (
ResNet18_QuantizedWeights
或ResNet18_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ResNet18_QuantizedWeights
。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。默认为 True。
quantize (bool, 可选) – 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.QuantizableResNet
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.ResNet18_QuantizedWeights(value)[source]¶
上面的模型构建器接受以下值作为
weights
参数。ResNet18_QuantizedWeights.DEFAULT
等效于ResNet18_QuantizedWeights.IMAGENET1K_FBGEMM_V1
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_FBGEMM_V1'
。ResNet18_QuantizedWeights.IMAGENET1K_FBGEMM_V1:
这些权重是通过在下面列出的未量化权重之上进行训练后量化(急切模式)生成的。也可用作
ResNet18_QuantizedWeights.DEFAULT
。acc@1(在 ImageNet-1K 上)
69.494
acc@5(在 ImageNet-1K 上)
88.882
最小尺寸
高度=1,宽度=1
类别
tench、金鱼、大白鲨、…(省略 997 个)
后端
fbgemm
配方
参数数量
11689512
未量化
ResNet18_Weights.IMAGENET1K_V1
GIPS
1.81
文件大小
11.2 MB
推理转换在
ResNet18_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms
中可用,并执行以下预处理操作:接受PIL.Image
、批处理的(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。
- class torchvision.models.ResNet18_Weights(value)[source]
上面的模型构建器接受以下值作为
weights
参数。ResNet18_Weights.DEFAULT
等效于ResNet18_Weights.IMAGENET1K_V1
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_V1'
。ResNet18_Weights.IMAGENET1K_V1:
这些权重使用简单的训练配方,密切再现了论文的结果。也可用作
ResNet18_Weights.DEFAULT
。acc@1(在 ImageNet-1K 上)
69.758
acc@5(在 ImageNet-1K 上)
89.078
最小尺寸
高度=1,宽度=1
类别
tench、金鱼、大白鲨、…(省略 997 个)
参数数量
11689512
配方
GFLOPS
1.81
文件大小
44.7 MB
推理转换位于
ResNet18_Weights.IMAGENET1K_V1.transforms
,并执行以下预处理操作:接收PIL.Image
、批量(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]
,然后进行中心裁剪,大小为crop_size=[224]
。最后,值首先缩放到[0.0, 1.0]
,然后使用mean=[0.485, 0.456, 0.406]
和std=[0.229, 0.224, 0.225]
标准化。