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[source]

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.RegNettorchvision.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)[source]

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'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]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]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