快捷方式

regnet_x_8gf

torchvision.models.regnet_x_8gf(*, weights: Optional[RegNet_X_8GF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet[源代码]

设计网络设计空间 中构建 RegNetX_8GF 架构。

参数::
  • weights (RegNet_X_8GF_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_8GF_Weights。默认情况下,不使用任何预训练权重。

  • progress (bool, 可选) – 如果为 True,则在标准错误中显示下载进度条。默认为 True。

  • **kwargs – 传递给 torchvision.models.regnet.RegNettorchvision.models.regnet.BlockParams 类的参数。有关这些类的更多详细信息,请参阅 源代码

class torchvision.models.RegNet_X_8GF_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_8GF_Weights.DEFAULT 等效于 RegNet_X_8GF_Weights.IMAGENET1K_V2。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

RegNet_X_8GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方法,可以很好地再现论文的结果。

acc@1 (在 ImageNet-1K 上)

79.344

acc@5 (在 ImageNet-1K 上)

94.686

min_size

height=1, width=1

categories

tench, goldfish, great white shark, … (997 项省略)

num_params

39572648

recipe

link

GFLOPS

8.00

文件大小

151.5 MB

推理转换可在 RegNet_X_8GF_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_8GF_Weights.IMAGENET1K_V2:

这些权重使用 TorchVision 的 新训练方法 的修改版本,在原始论文的结果上进行了改进。也可以作为 RegNet_X_8GF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)

81.682

acc@5 (在 ImageNet-1K 上)

95.678

min_size

height=1, width=1

categories

tench, goldfish, great white shark, … (997 项省略)

num_params

39572648

recipe

link

GFLOPS

8.00

文件大小

151.5 MB

推理转换可在 RegNet_X_8GF_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 的综合开发者文档

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