regnet_x_1_6gf

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

构建一个 RegNetX_1.6GF 架构，出自论文 Designing Network Design Spaces。

参数：

• weights (RegNet_X_1_6GF_Weights, optional) – 要使用的预训练权重。有关更多详细信息和可能的值，请参见下方的 RegNet_X_1_6GF_Weights。默认情况下，不使用预训练权重。

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

• **kwargs – 传递给 torchvision.models.regnet.RegNet 或 torchvision.models.regnet.BlockParams 类的参数。有关类的更多详细信息，请参阅源代码。

class torchvision.models.RegNet_X_1_6GF_Weights(value)

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。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_1_6GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案，能很好地复现论文中的结果。

acc@1 (在 ImageNet-1K 上)	77.04
acc@5 (在 ImageNet-1K 上)	93.44
最小尺寸	高=1, 宽=1
类别	丁鳜, 金鱼, 大白鲨, … (省略 997 项)
参数数量	9190136
训练方案	链接
GFLOPS	1.60
文件大小	35.3 MB

推理变换可在 RegNet_X_1_6GF_Weights.IMAGENET1K_V1.transforms 找到，并执行以下预处理操作：接受 PIL.Image 对象、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 重塑到 resize_size=[256]，然后进行中心裁剪到 crop_size=[224]。最后，值首先缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。

RegNet_X_1_6GF_Weights.IMAGENET1K_V2:

这些权重使用 TorchVision 改进版的新训练方案，在原始论文结果的基础上有所提升。也可用作 RegNet_X_1_6GF_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	79.668
acc@5 (在 ImageNet-1K 上)	94.922
最小尺寸	高=1, 宽=1
类别	丁鳜, 金鱼, 大白鲨, … (省略 997 项)
参数数量	9190136
训练方案	链接
GFLOPS	1.60
文件大小	35.3 MB

推理变换可在 RegNet_X_1_6GF_Weights.IMAGENET1K_V2.transforms 找到，并执行以下预处理操作：接受 PIL.Image 对象、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 重塑到 resize_size=[232]，然后进行中心裁剪到 crop_size=[224]。最后，值首先缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。