快捷方式

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_QuantizedWeightsResNeXt101_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'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

链接

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]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

链接

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]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'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

链接

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]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

链接

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]std=[0.229, 0.224, 0.225] 进行标准化。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获得面向初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得答案

查看资源