regnet_y_128gf

torchvision.models.regnet_y_128gf(*, weights: Optional[RegNet_Y_128GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

从 设计网络设计空间 构建 RegNetY_128GF 架构。

参数:

• weights (RegNet_Y_128GF_Weights, optional) – 要使用的预训练权重。有关更多详细信息和可能的值，请参见下方的 RegNet_Y_128GF_Weights。默认情况下，不使用预训练权重。

• progress (bool, optional) – 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.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_Y_128GF_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。RegNet_Y_128GF_Weights.DEFAULT 等效于 RegNet_Y_128GF_Weights.IMAGENET1K_SWAG_E2E_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_SWAG_E2E_V1'。

RegNet_Y_128GF_Weights.IMAGENET1K_SWAG_E2E_V1:

这些权重是通过端到端微调原始 SWAG 权重在 ImageNet-1K 数据上进行迁移学习而学习的。也可作为 RegNet_Y_128GF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	88.228
acc@5 (在 ImageNet-1K 上)	98.682
min_size	height=1, width=1
类别	tench, goldfish, great white shark, … (省略 997 个)
配方	链接
许可证	链接
num_params	644812894
GFLOPS	374.57
文件大小	2461.6 MB

推理转换可在 RegNet_Y_128GF_Weights.IMAGENET1K_SWAG_E2E_V1.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BICUBIC 调整大小为 resize_size=[384]，然后进行中心裁剪 crop_size=[384]。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] 和 std=[0.229, 0.224, 0.225] 进行归一化。

RegNet_Y_128GF_Weights.IMAGENET1K_SWAG_LINEAR_V1:

这些权重由原始冻结的 SWAG 主干权重和在其之上训练的 ImageNet-1K 数据上学习的线性分类器组成。

acc@1 (在 ImageNet-1K 上)	86.068
acc@5 (在 ImageNet-1K 上)	97.844
min_size	height=1, width=1
类别	tench, goldfish, great white shark, … (省略 997 个)
配方	链接
许可证	链接
num_params	644812894
GFLOPS	127.52
文件大小	2461.6 MB

推理转换可在 RegNet_Y_128GF_Weights.IMAGENET1K_SWAG_LINEAR_V1.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BICUBIC 调整大小为 resize_size=[224]，然后进行中心裁剪 crop_size=[224]。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] 和 std=[0.229, 0.224, 0.225] 进行归一化。