shufflenet_v2_x1_5

torchvision.models.quantization.shufflenet_v2_x1_5(*, weights: Optional[Union[ShuffleNet_V2_X1_5_QuantizedWeights, ShuffleNet_V2_X1_5_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableShuffleNetV2

构建一个输出通道数为 1.5x 的 ShuffleNetV2，如 ShuffleNet V2: Efficient CNN Architecture Design 的实用指南 中所述。

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。尚不支持 GPU 推理。

参数:

• weights (ShuffleNet_V2_X1_5_QuantizedWeights 或 ShuffleNet_V2_X1_5_Weights, 可选) – 模型的预训练权重。有关更多详细信息和可能的值，请参阅下方的 ShuffleNet_V2_X1_5_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 上显示下载进度条。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.ShuffleNet_V2_X1_5_QuantizedWeights 基类的参数。有关此类别的更多详细信息，请参阅 源代码。

class torchvision.models.quantization.ShuffleNet_V2_X1_5_QuantizedWeights(value)

上面的模型构建器接受以下值作为 weights 参数。ShuffleNet_V2_X1_5_QuantizedWeights.DEFAULT 等同于 ShuffleNet_V2_X1_5_QuantizedWeights.IMAGENET1K_FBGEMM_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_FBGEMM_V1'。

ShuffleNet_V2_X1_5_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

这些权重是通过对下面列出的未量化权重执行训练后量化（eager 模式）生成的。也可作为 ShuffleNet_V2_X1_5_QuantizedWeights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	72.052
acc@5 (在 ImageNet-1K 上)	90.7
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 个)
backend	fbgemm
recipe	link
num_params	3503624
unquantized	ShuffleNet_V2_X1_5_Weights.IMAGENET1K_V1
GIPS	0.30
文件大小	3.7 MB

推理转换可在 ShuffleNet_V2_X1_5_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) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[232]，然后进行中心裁剪，crop_size=[224]。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] 进行标准化。

class torchvision.models.ShuffleNet_V2_X1_5_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。ShuffleNet_V2_X1_5_Weights.DEFAULT 等同于 ShuffleNet_V2_X1_5_Weights.IMAGENET1K_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ShuffleNet_V2_X1_5_Weights.IMAGENET1K_V1:

这些权重是通过使用 TorchVision 的 新训练配方 从头开始训练的。也可作为 ShuffleNet_V2_X1_5_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	72.996
acc@5 (在 ImageNet-1K 上)	91.086
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 个)
recipe	link
num_params	3503624
GFLOPS	0.30
文件大小	13.6 MB

推理转换可在 ShuffleNet_V2_X1_5_Weights.IMAGENET1K_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) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[232]，然后进行中心裁剪，crop_size=[224]。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] 进行标准化。