regnet_x_8gf¶
- torchvision.models.regnet_x_8gf(*, weights: Optional[RegNet_X_8GF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet [source]¶
根据《Designing Network Design Spaces》构建 RegNetX_8GF 架构。
- 参数:
weights (
RegNet_X_8GF_Weights
,可选) – 要使用的预训练权重。请参阅下面的RegNet_X_8GF_Weights
以获取更多详细信息和可能的值。默认情况下,不使用预训练权重。progress (bool,可选) – 如果为 True,则在 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_8GF_Weights(value)[source]¶
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案,与论文结果非常接近。
acc@1 (在 ImageNet-1K 上)
79.344
acc@5 (在 ImageNet-1K 上)
94.686
最小尺寸
高=1,宽=1
类别
丁鳜鱼、金鱼、大白鲨等... (省略 997 个)
参数数量
39572648
训练方案
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
、批量(B, C, H, W)
和单个(C, H, W)
图像的torch.Tensor
对象。图像使用interpolation=InterpolationMode.BILINEAR
缩放到resize_size=[256]
,然后进行中心裁剪,裁剪尺寸为crop_size=[224]
。最后,值首先重新缩放到[0.0, 1.0]
范围,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:
这些权重通过使用 TorchVision 新训练方案的修改版本,改进了原始论文的结果。也可通过
RegNet_X_8GF_Weights.DEFAULT
获取。acc@1 (在 ImageNet-1K 上)
81.682
acc@5 (在 ImageNet-1K 上)
95.678
最小尺寸
高=1,宽=1
类别
丁鳜鱼、金鱼、大白鲨等... (省略 997 个)
参数数量
39572648
训练方案
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
、批量(B, C, H, W)
和单个(C, H, W)
图像的torch.Tensor
对象。图像使用interpolation=InterpolationMode.BILINEAR
缩放到resize_size=[232]
,然后进行中心裁剪,裁剪尺寸为crop_size=[224]
。最后,值首先重新缩放到[0.0, 1.0]
范围,然后使用mean=[0.485, 0.456, 0.406]
和std=[0.229, 0.224, 0.225]
进行归一化。