regnet_x_32gf

torchvision.models.regnet_x_32gf(*, weights: 可选[RegNet_X_32GF_Weights] = None, progress: 布尔值 = True, **kwargs: 任意类型) → RegNet

根据 Designing Network Design Spaces 构建 RegNetX_32GF 架构。

参数：

• weights (RegNet_X_32GF_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，请参阅下文的 RegNet_X_32GF_Weights。默认情况下，不使用预训练权重。

• progress (布尔值, 可选) – 如果为 True，则在 stderr 中显示下载进度条。默认值为 True。

• **kwargs – 传递给 torchvision.models.regnet.RegNet 或 torchvision.models.regnet.BlockParams 类。有关这些类的更多详细信息，请参阅 源码。

class torchvision.models.RegNet_X_32GF_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。RegNet_X_32GF_Weights.DEFAULT 等同于 RegNet_X_32GF_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_32GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案，可重现论文中的结果。

acc@1（在 ImageNet-1K 上）	80.622
acc@5（在 ImageNet-1K 上）	95.248
最小尺寸	高=1，宽=1
类别	丁鲷鱼、金鱼、大白鲨等...（省略了 997 类）
参数数量	107811560
训练方案	链接
GFLOPS	31.74
文件大小	412.0 MB

推理变换可在 RegNet_X_32GF_Weights.IMAGENET1K_V1.transforms 中找到，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。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整为 resize_size=[256]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。最后，将值首先重新缩放到 [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_32GF_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 经过修改的 新训练方案 改进了原始论文的结果。也可通过 RegNet_X_32GF_Weights.DEFAULT 获取。

acc@1（在 ImageNet-1K 上）	83.014
acc@5（在 ImageNet-1K 上）	96.288
最小尺寸	高=1，宽=1
类别	丁鲷鱼、金鱼、大白鲨等...（省略了 997 类）
参数数量	107811560
训练方案	链接
GFLOPS	31.74
文件大小	412.0 MB

推理变换可在 RegNet_X_32GF_Weights.IMAGENET1K_V2.transforms 中找到，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。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整为 resize_size=[232]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。最后，将值首先重新缩放到 [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。