resnet50¶
- torchvision.models.quantization.resnet50(*, weights: Optional[Union[ResNet50_QuantizedWeights, ResNet50_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) QuantizableResNet [源代码]¶
来自 用于图像识别的深度残差学习 的 ResNet-50 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 推理尚未支持。- 参数::
weights (
ResNet50_QuantizedWeights
或ResNet50_Weights
,可选) – 模型的预训练权重。有关更多详细信息和可能的取值,请参阅下面的ResNet50_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。默认值为 True。
quantize (bool,可选) – 如果为 True,则返回模型的量化版本。默认值为 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,请参考 源代码。
- class torchvision.models.quantization.ResNet50_QuantizedWeights(value)[源代码]¶
上面的模型构建器接受以下值作为
weights
参数。ResNet50_QuantizedWeights.DEFAULT
等效于ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_FBGEMM_V1'
。ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1:
这些权重是通过在下面列出的非量化权重之上进行后训练量化(急切模式)生成的。
acc@1(在 ImageNet-1K 上)
75.92
acc@5(在 ImageNet-1K 上)
92.814
最小尺寸
height=1, width=1
类别
tench, goldfish, great white shark, … (997 省略)
后端
fbgemm
配方
参数数量
25557032
非量化
ResNet50_Weights.IMAGENET1K_V1
GIPS
4.09
文件大小
24.8 MB
推理变换可在
ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms
中找到,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
调整大小为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。ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2:
这些权重是通过在下面列出的非量化权重之上进行后训练量化(急切模式)生成的。也可以作为
ResNet50_QuantizedWeights.DEFAULT
使用。acc@1(在 ImageNet-1K 上)
80.282
acc@5(在 ImageNet-1K 上)
94.976
最小尺寸
height=1, width=1
类别
tench, goldfish, great white shark, … (997 省略)
后端
fbgemm
配方
参数数量
25557032
非量化
ResNet50_Weights.IMAGENET1K_V2
GIPS
4.09
文件大小
25.0 MB
推理变换可在
ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2.transforms
中找到,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
调整大小为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。
- class torchvision.models.ResNet50_Weights(value)[source]
上面的模型构建器接受以下值作为
weights
参数。ResNet50_Weights.DEFAULT
等效于ResNet50_Weights.IMAGENET1K_V2
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_V1'
。ResNet50_Weights.IMAGENET1K_V1:
这些权重使用简单的训练方法,可以精确地重现论文中的结果。
acc@1(在 ImageNet-1K 上)
76.13
acc@5(在 ImageNet-1K 上)
92.862
最小尺寸
height=1, width=1
类别
tench, goldfish, great white shark, … (997 省略)
参数数量
25557032
配方
GFLOPS
4.09
文件大小
97.8 MB
推断变换可在
ResNet50_Weights.IMAGENET1K_V1.transforms
处获得,并执行以下预处理操作:接受PIL.Image
、批处理的(B, C, H, W)
以及单个(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。ResNet50_Weights.IMAGENET1K_V2:
这些权重通过使用 TorchVision 的 新训练方法,在原始论文的结果上有所改进。也可以用
ResNet50_Weights.DEFAULT
表示。acc@1(在 ImageNet-1K 上)
80.858
acc@5(在 ImageNet-1K 上)
95.434
最小尺寸
height=1, width=1
类别
tench, goldfish, great white shark, … (997 省略)
参数数量
25557032
配方
GFLOPS
4.09
文件大小
97.8 MB
推断变换可在
ResNet50_Weights.IMAGENET1K_V2.transforms
处获得,并执行以下预处理操作:接受PIL.Image
、批处理的(B, C, H, W)
以及单个(C, H, W)
图像torch.Tensor
对象。图像使用interpolation=InterpolationMode.BILINEAR
调整到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。