快捷方式

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_QuantizedWeightsResNet50_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'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

链接

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]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

链接

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]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'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

链接

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]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

链接

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]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

获取面向初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得解答

查看资源