resnext101_32x8d¶
- torchvision.models.quantization.resnext101_32x8d(*, weights: Optional[Union[ResNeXt101_32X8D_QuantizedWeights, ResNeXt101_32X8D_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) QuantizableResNet [源代码]¶
来自 深度神经网络的聚合残差变换 的 ResNeXt-101 32x8d 模型
注意
请注意,
quantize = True
返回具有 8 位权重的量化模型。量化模型仅支持推断并在 CPU 上运行。GPU 推断尚不支持。- 参数::
weights (
ResNeXt101_32X8D_QuantizedWeights
或ResNeXt101_32X8D_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,请参见下面的ResNet101_32X8D_QuantizedWeights
。默认情况下,不使用预训练权重。progress (bool,可选) – 如果为 True,则在 stderr 中显示下载进度条。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,请参阅 源代码。
- class torchvision.models.quantization.ResNeXt101_32X8D_QuantizedWeights(value)[源代码]¶
上面的模型构建器接受以下值作为
weights
参数。ResNeXt101_32X8D_QuantizedWeights.DEFAULT
等效于ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_FBGEMM_V1'
。ResNeXt101_32X8D_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训练后量化 (急切模式) 而生成的。
acc@1 (在 ImageNet-1K 上)
78.986
acc@5 (在 ImageNet-1K 上)
94.48
最小尺寸
高度=1,宽度=1
类别
tench、goldfish、great white shark、… (省略了 997 个)
后端
fbgemm
配方
参数数量
88791336
非量化
ResNeXt101_32X8D_Weights.IMAGENET1K_V1
GIPS
16.41
文件大小
86.0 MB
推断变换可在
ResNeXt101_32X8D_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,值首先重新缩放为[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。ResNeXt101_32X8D_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训练后量化 (急切模式) 而生成的。也称为
ResNeXt101_32X8D_QuantizedWeights.DEFAULT
。acc@1 (在 ImageNet-1K 上)
82.574
acc@5 (在 ImageNet-1K 上)
96.132
最小尺寸
高度=1,宽度=1
类别
tench、goldfish、great white shark、… (省略了 997 个)
后端
fbgemm
配方
参数数量
88791336
非量化
ResNeXt101_32X8D_Weights.IMAGENET1K_V2
GIPS
16.41
文件大小
86.6 MB
推断变换可在
ResNeXt101_32X8D_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,值首先重新缩放为[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.ResNeXt101_32X8D_Weights(value)[source]
上面的模型构建器接受以下值作为
weights
参数。ResNeXt101_32X8D_Weights.DEFAULT
等同于ResNeXt101_32X8D_Weights.IMAGENET1K_V2
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_V1'
。ResNeXt101_32X8D_Weights.IMAGENET1K_V1:
这些权重使用简单的训练方案,能够密切地重现论文中的结果。
acc@1 (在 ImageNet-1K 上)
79.312
acc@5 (在 ImageNet-1K 上)
94.526
最小尺寸
高度=1,宽度=1
类别
tench、goldfish、great white shark、… (省略了 997 个)
参数数量
88791336
配方
GFLOPS
16.41
文件大小
339.6 MB
推断变换可在
ResNeXt101_32X8D_Weights.IMAGENET1K_V1.transforms
中获取,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
调整大小至resize_size=[256]
,然后进行crop_size=[224]
的中心裁剪。最后,将值先重新调整至[0.0, 1.0]
,然后使用mean=[0.485, 0.456, 0.406]
和std=[0.229, 0.224, 0.225]
进行标准化。ResNeXt101_32X8D_Weights.IMAGENET1K_V2:
这些权重通过使用 TorchVision 的 新训练方案 提高了原始论文中的结果。也可用作
ResNeXt101_32X8D_Weights.DEFAULT
。acc@1 (在 ImageNet-1K 上)
82.834
acc@5 (在 ImageNet-1K 上)
96.228
最小尺寸
高度=1,宽度=1
类别
tench、goldfish、great white shark、… (省略了 997 个)
参数数量
88791336
配方
GFLOPS
16.41
文件大小
339.7 MB
推断变换可在
ResNeXt101_32X8D_Weights.IMAGENET1K_V2.transforms
中获取,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
调整大小至resize_size=[232]
,然后进行crop_size=[224]
的中心裁剪。最后,将值先重新调整至[0.0, 1.0]
,然后使用mean=[0.485, 0.456, 0.406]
和std=[0.229, 0.224, 0.225]
进行标准化。