快捷方式

regnet_x_400mf

torchvision.models.regnet_x_400mf(*, weights: 可选[RegNet_X_400MF_Weights] = None, progress: 布尔值 = True, **kwargs: 任意) RegNet[source]

设计网络设计空间 中构建 RegNetX_400MF 架构。

参数:
  • weights (RegNet_X_400MF_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_400MF_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.RegNettorchvision.models.regnet.BlockParams 类参数。有关这些类的更多详细信息,请参阅 源代码

class torchvision.models.RegNet_X_400MF_Weights(value)[source]

上面的模型构建器接受以下值作为 weights 参数。 RegNet_X_400MF_Weights.DEFAULT 等效于 RegNet_X_400MF_Weights.IMAGENET1K_V2。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

RegNet_X_400MF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练配方,可以准确地复制论文的结果。

acc@1 (在 ImageNet-1K 上)

72.834

acc@5 (在 ImageNet-1K 上)

90.95

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

5495976

配方

链接

GFLOPS

0.41

文件大小

21.3 MB

推理转换在 RegNet_X_400MF_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。使用 interpolation=InterpolationMode.BILINEAR 将图像调整为 resize_size=[256],然后进行 crop_size=[224] 的中心裁剪。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]std=[0.229, 0.224, 0.225] 进行归一化。

RegNet_X_400MF_Weights.IMAGENET1K_V2:

这些权重使用 TorchVision 修改版的 新训练配方 改进了原始论文的结果。也可以作为 RegNet_X_400MF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)

74.864

acc@5 (在 ImageNet-1K 上)

92.322

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

5495976

配方

链接

GFLOPS

0.41

文件大小

21.3 MB

推理转换在 RegNet_X_400MF_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。使用 interpolation=InterpolationMode.BILINEAR 将图像调整为 resize_size=[232],然后进行 crop_size=[224] 的中心裁剪。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]std=[0.229, 0.224, 0.225] 进行归一化。

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