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.RegNet
或torchvision.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'
或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
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]
和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
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]
和std=[0.229, 0.224, 0.225]
进行归一化。