快捷方式

regnet_x_32gf

torchvision.models.regnet_x_32gf(*, weights: Optional[RegNet_X_32GF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet[source]

根据 设计网络设计空间 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,请参阅下面的 RegNet_X_32GF_Weights。默认情况下,不使用任何预训练权重。

  • progress (bool, 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.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

class torchvision.models.RegNet_X_32GF_Weights(value)[source]

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

RegNet_X_32GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练配方密切再现了论文的结果。

acc@1(在 ImageNet-1K 上)

80.622

acc@5(在 ImageNet-1K 上)

95.248

最小尺寸

高度=1,宽度=1

类别

tench、金鱼、大白鲨、…(省略 997 个)

参数数量

107811560

配方

链接

GFLOPS

31.74

文件大小

412.0 MB

推理转换在 RegNet_X_32GF_Weights.IMAGENET1K_V1.transforms 中提供,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 调整到 resize_size=[256],然后进行 crop_size=[224] 的中心裁剪。最后,将值先重新缩放到 [0.0, 1.0],然后使用 mean=[0.485, 0.456, 0.406]std=[0.229, 0.224, 0.225] 规范化。

RegNet_X_32GF_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 修改版 新训练配方 改进了原始论文的结果。还可以使用 RegNet_X_32GF_Weights.DEFAULT

acc@1(在 ImageNet-1K 上)

83.014

acc@5(在 ImageNet-1K 上)

96.288

最小尺寸

高度=1,宽度=1

类别

tench、金鱼、大白鲨、…(省略 997 个)

参数数量

107811560

配方

链接

GFLOPS

31.74

文件大小

412.0 MB

推理转换在 RegNet_X_32GF_Weights.IMAGENET1K_V2.transforms 中提供,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 调整到 resize_size=[232],然后进行 crop_size=[224] 的中心裁剪。最后,将值先重新缩放到 [0.0, 1.0],然后使用 mean=[0.485, 0.456, 0.406]std=[0.229, 0.224, 0.225] 规范化。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向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