resnet50

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

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)

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	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] 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	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] 和 std=[0.229, 0.224, 0.225] 进行归一化。

class torchvision.models.ResNet50_Weights(value)

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	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] 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	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] 和 std=[0.229, 0.224, 0.225] 进行归一化。