快捷方式

regnet_x_800mf

torchvision.models.regnet_x_800mf(*, weights: Optional[RegNet_X_800MF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet[源代码]

根据设计网络设计空间构建 RegNetX_800MF 架构。

参数:
  • weights (RegNet_X_800MF_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_800MF_Weights。默认情况下,不使用任何预训练权重。

  • progress (布尔值可选) – 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.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

torchvision.models.RegNet_X_800MF_Weights(value)[源代码]

上面的模型构建器接受以下值作为weights参数。RegNet_X_800MF_Weights.DEFAULT等效于RegNet_X_800MF_Weights.IMAGENET1K_V2。您也可以使用字符串,例如weights='DEFAULT'weights='IMAGENET1K_V1'

RegNet_X_800MF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方法密切复制了论文的结果。

acc@1(在 ImageNet-1K 上)

75.212

acc@5(在 ImageNet-1K 上)

92.348

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

7259656

配方

链接

GFLOPS

0.80

文件大小

27.9 MB

推理变换可在RegNet_X_800MF_Weights.IMAGENET1K_V1.transforms中获得,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调整到resize_size=[256],然后进行crop_size=[224]的中心裁剪。最后,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_800MF_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 修改版的新训练方法改进了原始论文的结果。新的训练方法。也可作为RegNet_X_800MF_Weights.DEFAULT使用。

acc@1(在 ImageNet-1K 上)

77.522

acc@5(在 ImageNet-1K 上)

93.826

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

7259656

配方

链接

GFLOPS

0.80

文件大小

27.9 MB

推理变换可在RegNet_X_800MF_Weights.IMAGENET1K_V2.transforms中获得,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调整到resize_size=[232],然后进行crop_size=[224]的中心裁剪。最后,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

获取针对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