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

ResNeXt-101 32x8d 模型，来自论文 Aggregated Residual Transformation for Deep Neural Networks

注意

请注意，当 quantize = True 时，将返回一个带有 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 (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值，请参见下方的 ResNet101_32X8D_QuantizedWeights。默认情况下，不使用预训练权重。

• progress (bool, 可选) – 如果为 True，则在标准错误输出中显示下载进度条。默认为 True。

• quantize (bool, 可选) – 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.ResNeXt101_32X8D_QuantizedWeights(value)

上述模型构建器接受以下值作为 weights 参数。ResNeXt101_32X8D_QuantizedWeights.DEFAULT 等同于 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方列出的未量化权重之上进行训练后量化（eager mode）生成的。

acc@1（在 ImageNet-1K 上）	78.986
acc@5（在 ImageNet-1K 上）	94.48
最小尺寸	高=1, 宽=1
类别	丁鱥, 金鱼, 大白鲨, ... (省略 997 个)
后端	fbgemm
训练方法	链接
参数数量	88791336
未量化	ResNeXt101_32X8D_Weights.IMAGENET1K_V1
GIPS	16.41
文件大小	86.0 MB

推理转换可通过 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms 获取，并执行以下预处理操作：接受 PIL.Image 对象、批处理的 (B, C, H, W) 和单个的 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整为 resize_size=[256]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。最后，首先将值重新缩放到 [0.0, 1.0] 范围，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方列出的未量化权重之上进行训练后量化（eager mode）生成的。也可作为 ResNeXt101_32X8D_QuantizedWeights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	82.574
acc@5（在 ImageNet-1K 上）	96.132
最小尺寸	高=1, 宽=1
类别	丁鱥, 金鱼, 大白鲨, ... (省略 997 个)
后端	fbgemm
训练方法	链接
参数数量	88791336
未量化	ResNeXt101_32X8D_Weights.IMAGENET1K_V2
GIPS	16.41
文件大小	86.6 MB

推理转换可通过 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2.transforms 获取，并执行以下预处理操作：接受 PIL.Image 对象、批处理的 (B, C, H, W) 和单个的 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整为 resize_size=[232]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。最后，首先将值重新缩放到 [0.0, 1.0] 范围，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)

上述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法可以很好地复现论文结果。

acc@1（在 ImageNet-1K 上）	79.312
acc@5（在 ImageNet-1K 上）	94.526
最小尺寸	高=1, 宽=1
类别	丁鱥, 金鱼, 大白鲨, ... (省略 997 个)
参数数量	88791336
训练方法	链接
GFLOPS	16.41
文件大小	339.6 MB

推理转换可通过 ResNeXt101_32X8D_Weights.IMAGENET1K_V1.transforms 获取，并执行以下预处理操作：接受 PIL.Image 对象、批处理的 (B, C, H, W) 和单个的 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整为 resize_size=[256]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。最后，首先将值重新缩放到 [0.0, 1.0] 范围，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_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的新训练方法，改进了原始论文的结果。也可作为 ResNeXt101_32X8D_Weights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	82.834
acc@5（在 ImageNet-1K 上）	96.228
最小尺寸	高=1, 宽=1
类别	丁鱥, 金鱼, 大白鲨, ... (省略 997 个)
参数数量	88791336
训练方法	链接
GFLOPS	16.41
文件大小	339.7 MB

推理转换可通过 ResNeXt101_32X8D_Weights.IMAGENET1K_V2.transforms 获取，并执行以下预处理操作：接受 PIL.Image 对象、批处理的 (B, C, H, W) 和单个的 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整为 resize_size=[232]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。最后，首先将值重新缩放到 [0.0, 1.0] 范围，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。