regnet_x_3_2gf¶
- torchvision.models.regnet_x_3_2gf(*, weights: Optional[RegNet_X_3_2GF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet [source]¶
根据设计网络设计空间构建 RegNetX_3.2GF 架构。
- 参数:
weights (
RegNet_X_3_2GF_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_3_2GF_Weights
。默认情况下,不使用任何预训练权重。progress (bool, 可选) – 如果为 True,则将下载进度条显示到 stderr。默认为 True。
**kwargs – 传递给
torchvision.models.regnet.RegNet
或torchvision.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_3_2GF_Weights(value)[source]¶
上面的模型构建器接受以下值作为
weights
参数。RegNet_X_3_2GF_Weights.DEFAULT
等效于RegNet_X_3_2GF_Weights.IMAGENET1K_V2
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_V1'
。RegNet_X_3_2GF_Weights.IMAGENET1K_V1:
这些权重使用简单的训练方案准确地再现了论文的结果。
acc@1(在 ImageNet-1K 上)
78.364
acc@5(在 ImageNet-1K 上)
93.992
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
15296552
方案
GFLOPS
3.18
文件大小
58.8 MB
推理转换在
RegNet_X_3_2GF_Weights.IMAGENET1K_V1.transforms
中可用,并执行以下预处理操作:接受PIL.Image
、批处理(B, C, H, W)
和单个(C, H, W)
图像torch.Tensor
对象。图像使用interpolation=InterpolationMode.BILINEAR
调整为resize_size=[256]
,然后进行crop_size=[224]
的中央裁剪。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_3_2GF_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_3_2GF_Weights.DEFAULT
使用。acc@1(在 ImageNet-1K 上)
81.196
acc@5(在 ImageNet-1K 上)
95.43
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
15296552
方案
GFLOPS
3.18
文件大小
58.8 MB
推理转换在
RegNet_X_3_2GF_Weights.IMAGENET1K_V2.transforms
中可用,并执行以下预处理操作:接受PIL.Image
、批处理(B, C, H, W)
和单个(C, H, W)
图像torch.Tensor
对象。图像使用interpolation=InterpolationMode.BILINEAR
调整为resize_size=[232]
,然后进行crop_size=[224]
的中央裁剪。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。