快捷方式

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[源代码]

构建一个具有 1.5 倍输出通道的 ShuffleNetV2,如 ShuffleNet V2:高效 CNN 架构设计的实用指南 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。GPU 推理尚不受支持。

参数:
  • weights (ShuffleNet_V2_X1_5_QuantizedWeightsShuffleNet_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,请参阅下面的 ShuffleNet_V2_X1_5_QuantizedWeights。默认情况下,不使用任何预训练权重。

  • progress (布尔值可选) – 如果为 True,则将下载进度条显示到标准错误输出。默认为 True。

  • quantize (布尔值可选) – 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。有关此类的更多详细信息,请参阅 源代码

torchvision.models.quantization.ShuffleNet_V2_X1_5_QuantizedWeights(value)[源代码]

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

ShuffleNet_V2_X1_5_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。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

最小尺寸

高度=1,宽度=1

类别

tench、goldfish、great white shark、… (省略 997 个)

后端

fbgemm

配方

链接

参数数量

3503624

非量化

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,将值首先重新缩放至 [0.0, 1.0],然后使用 mean=[0.485, 0.456, 0.406]std=[0.229, 0.224, 0.225] 进行归一化。

torchvision.models.ShuffleNet_V2_X1_5_Weights(value)[源代码]

以上模型构建器接受以下值作为weights参数。ShuffleNet_V2_X1_5_Weights.DEFAULT 等效于 ShuffleNet_V2_X1_5_Weights.IMAGENET1K_V1。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

ShuffleNet_V2_X1_5_Weights.IMAGENET1K_V1:

这些权重是使用 TorchVision 的新训练方案从头开始训练的。也可以作为 ShuffleNet_V2_X1_5_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)

72.996

acc@5 (在 ImageNet-1K 上)

91.086

最小尺寸

高度=1,宽度=1

类别

tench、goldfish、great white shark、… (省略 997 个)

配方

链接

参数数量

3503624

GFLOPS

0.30

文件大小

13.6 MB

推理变换可在 ShuffleNet_V2_X1_5_Weights.IMAGENET1K_V1.transforms 中获得,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] 进行归一化。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源