快捷方式

regnet_x_400mf

torchvision.models.regnet_x_400mf(*, weights: Optional[RegNet_X_400MF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet[source]

根据 Designing Network Design Spaces 构建 RegNetX_400MF 架构。

参数:
  • weights (RegNet_X_400MF_Weights, 可选) – 要使用的预训练权重。有关详细信息和可能的值,请参阅下面的 RegNet_X_400MF_Weights。默认情况下,不使用预训练权重。

  • progress (bool, 可选) – 如果为 True,则向 stderr 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。请参阅源代码,了解有关这些类的更多详细信息。

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 等同于 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方法复现了论文中的结果。

acc@1(在 ImageNet-1K 上)

72.834

acc@5(在 ImageNet-1K 上)

90.95

最小尺寸

height=1, width=1

类别

丁鲷鱼, 金鱼, 大白鲨, … (省略 997 个)

参数数量

5495976

训练方法

链接

GFLOPS

0.41

文件大小

21.3 MB

推理转换可在 RegNet_X_400MF_Weights.IMAGENET1K_V1.transforms 获取,并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 将尺寸调整为 resize_size=[256],然后进行中心裁剪,裁剪尺寸为 crop_size=[224]。最后,值首先被重新缩放到 [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:

这些权重通过使用 TorchVision 新训练方法 的修改版本,改进了原始论文的结果。也可通过 RegNet_X_400MF_Weights.DEFAULT 获取。

acc@1(在 ImageNet-1K 上)

74.864

acc@5(在 ImageNet-1K 上)

92.322

最小尺寸

height=1, width=1

类别

丁鲷鱼, 金鱼, 大白鲨, … (省略 997 个)

参数数量

5495976

训练方法

链接

GFLOPS

0.41

文件大小

21.3 MB

推理转换可在 RegNet_X_400MF_Weights.IMAGENET1K_V2.transforms 获取,并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 将尺寸调整为 resize_size=[232],然后进行中心裁剪,裁剪尺寸为 crop_size=[224]。最后,值首先被重新缩放到 [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 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者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源