resnet50¶

torchvision.models.quantization.resnet50(*, weights: Optional[Union[ResNet50_QuantizedWeights, ResNet50_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableResNet[source]¶

ResNet-50 模型，出自《用于图像识别的深度残差学习》

注意

注意，quantize = True 返回带有 8 位权重的量化模型。量化模型仅支持推理并在 CPU 上运行。尚不支持 GPU 推理。

参数:

weights (ResNet50_QuantizedWeights 或 ResNet50_Weights, optional) – 模型的预训练权重。有关更多详细信息和可能的取值，请参阅下文中的 ResNet50_QuantizedWeights。默认情况下不使用预训练权重。
progress (bool, optional) – 如果为 True，则向标准错误输出显示下载进度条。默认为 True。
quantize (bool, optional) – 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.ResNet50_QuantizedWeights(value)[source]¶

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:

这些权重是在下面列出的未量化权重的基础上，通过训练后量化 (eager mode) 生成的。

acc@1 (在 ImageNet-1K 上)	75.92
acc@5 (在 ImageNet-1K 上)	92.814
最小尺寸	高度=1，宽度=1
类别	丁鱥, 金鱼, 大白鲨, ... (省略 997 个)
后端	fbgemm
训练配方	链接
参数数量	25557032
未量化	ResNet50_Weights.IMAGENET1K_V1
GIPS	4.09
文件大小	24.8 MB

推理转换可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms 获取，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 重置大小为 resize_size=[256]，然后进行中心裁剪，裁剪大小为 crop_size=[224]。最后，值首先被重新缩放到 [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:

这些权重是在下面列出的未量化权重的基础上，通过训练后量化 (eager mode) 生成的。也可通过 ResNet50_QuantizedWeights.DEFAULT 获取。

acc@1 (在 ImageNet-1K 上)	80.282
acc@5 (在 ImageNet-1K 上)	94.976
最小尺寸	高度=1，宽度=1
类别	丁鱥, 金鱼, 大白鲨, ... (省略 997 个)
后端	fbgemm
训练配方	链接
参数数量	25557032
未量化	ResNet50_Weights.IMAGENET1K_V2
GIPS	4.09
文件大小	25.0 MB

推理转换可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2.transforms 获取，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 重置大小为 resize_size=[232]，然后进行中心裁剪，裁剪大小为 crop_size=[224]。最后，值首先被重新缩放到 [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配方，与论文结果非常接近。

acc@1 (在 ImageNet-1K 上)	76.13
acc@5 (在 ImageNet-1K 上)	92.862
最小尺寸	高度=1，宽度=1
类别	丁鱥, 金鱼, 大白鲨, ... (省略 997 个)
参数数量	25557032
训练配方	链接
GFLOPS	4.09
文件大小	97.8 MB

推理转换可在 ResNet50_Weights.IMAGENET1K_V1.transforms 获取，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 重置大小为 resize_size=[256]，然后进行中心裁剪，裁剪大小为 crop_size=[224]。最后，值首先被重新缩放到 [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 的新训练配方改进了原始论文的结果。也可通过 ResNet50_Weights.DEFAULT 获取。

acc@1 (在 ImageNet-1K 上)	80.858
acc@5 (在 ImageNet-1K 上)	95.434
最小尺寸	高度=1，宽度=1
类别	丁鱥, 金鱼, 大白鲨, ... (省略 997 个)
参数数量	25557032
训练配方	链接
GFLOPS	4.09
文件大小	97.8 MB

推理转换可在 ResNet50_Weights.IMAGENET1K_V2.transforms 获取，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 重置大小为 resize_size=[232]，然后进行中心裁剪，裁剪大小为 crop_size=[224]。最后，值首先被重新缩放到 [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¶

文档

教程

资源