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[source]

构建一个输出通道数为 1.5 倍的 ShuffleNetV2 模型,详情请参阅论文 ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design

注意

注意,quantize = True 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。目前尚不支持 GPU 推理。

参数:
  • weights (ShuffleNet_V2_X1_5_QuantizedWeightsShuffleNet_V2_X1_5_Weights, 可选) – 模型的预训练权重。请参阅下方的 ShuffleNet_V2_X1_5_QuantizedWeights 了解更多详情和可能的值。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 (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.ShuffleNet_V2_X1_5_QuantizedWeights 基类的参数。请参阅源代码了解有关此类的更多详情。

class torchvision.models.quantization.ShuffleNet_V2_X1_5_QuantizedWeights(value)[source]

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'weights='IMAGENET1K_FBGEMM_V1'

ShuffleNet_V2_X1_5_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

这些权重是在下方列出的非量化权重之上进行训练后量化(eager 模式)生成的。也可通过 ShuffleNet_V2_X1_5_QuantizedWeights.DEFAULT 获取。

acc@1 (在 ImageNet-1K 上)

72.052

acc@5 (在 ImageNet-1K 上)

90.7

最小尺寸

高=1, 宽=1

类别

丁鳜, 金鱼, 大白鲨, … (省略 997 个)

后端

fbgemm

训练方法

链接

参数数量

3503624

未量化

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 获取,并执行以下预处理操作:接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 重置大小为 resize_size=[232],然后进行中心裁剪,大小为 crop_size=[224]。最后,值首先被重新缩放到 [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.ShuffleNet_V2_X1_5_Weights(value)[source]

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'weights='IMAGENET1K_V1'

ShuffleNet_V2_X1_5_Weights.IMAGENET1K_V1:

这些权重是使用 TorchVision 的新训练方法从头开始训练的。也可通过 ShuffleNet_V2_X1_5_Weights.DEFAULT 获取。

acc@1 (在 ImageNet-1K 上)

72.996

acc@5 (在 ImageNet-1K 上)

91.086

最小尺寸

高=1, 宽=1

类别

丁鳜, 金鱼, 大白鲨, … (省略 997 个)

训练方法

链接

参数数量

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 获取,并执行以下预处理操作:接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 重置大小为 resize_size=[232],然后进行中心裁剪,大小为 crop_size=[224]。最后,值首先被重新缩放到 [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

查阅 PyTorch 的全面开发者文档

查看文档

教程

获取针对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问题解答

查看资源