快捷方式

regnet_x_1_6gf

torchvision.models.regnet_x_1_6gf(*, weights: Optional[RegNet_X_1_6GF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet[源代码]

根据 设计网络设计空间构建 RegNetX_1.6GF 架构。

参数:
  • weights (RegNet_X_1_6GF_Weights,可选) – 要使用的预训练权重。有关更多详细信息和可能的值,请参见下面的 RegNet_X_1_6GF_Weights。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 stderr。默认为 True。

  • **kwargs – 传递给 torchvision.models.regnet.RegNettorchvision.models.regnet.BlockParams 类的参数。有关这些类的更多详细信息,请参阅 源代码

torchvision.models.RegNet_X_1_6GF_Weights(value)[源代码]

上面的模型构建器接受以下值作为 weights 参数。RegNet_X_1_6GF_Weights.DEFAULT 等效于 RegNet_X_1_6GF_Weights.IMAGENET1K_V2。您还可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

RegNet_X_1_6GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案精确地复制了论文的结果。

acc@1(在 ImageNet-1K 上)

77.04

acc@5(在 ImageNet-1K 上)

93.44

最小尺寸

高度=1,宽度=1

类别

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

参数数量

9190136

方案

链接

GFLOPS

1.60

文件大小

35.3 MB

推理转换可在 RegNet_X_1_6GF_Weights.IMAGENET1K_V1.transforms 中获得,并执行以下预处理操作:接受 PIL.Image、批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[256],然后进行 crop_size=[224] 的中心裁剪。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]std=[0.229, 0.224, 0.225] 进行归一化。

RegNet_X_1_6GF_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的修改版 新训练方案改进了原始论文的结果。也可作为 RegNet_X_1_6GF_Weights.DEFAULT 使用。

acc@1(在 ImageNet-1K 上)

79.668

acc@5(在 ImageNet-1K 上)

94.922

最小尺寸

高度=1,宽度=1

类别

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

参数数量

9190136

方案

链接

GFLOPS

1.60

文件大小

35.3 MB

推理转换可在 RegNet_X_1_6GF_Weights.IMAGENET1K_V2.transforms 中获得,并执行以下预处理操作:接受 PIL.Image、批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[232],然后进行 crop_size=[224] 的中心裁剪。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]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

获取针对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