regnet_x_8gf

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

从 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.RegNet 或 torchvision.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)

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