regnet_y_128gf¶
- torchvision.models.regnet_y_128gf(*, weights: Optional[RegNet_Y_128GF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet [源]¶
根据 Designing Network Design Spaces 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,请参阅下方的RegNet_Y_128GF_Weights
。默认情况下,不使用预训练权重。progress (bool, optional) – 如果为 True,则向 stderr 显示下载进度条。默认值为 True。
**kwargs – 传递给
torchvision.models.regnet.RegNet
或torchvision.models.regnet.BlockParams
类的参数。请参考源代码获取有关类的更多详细信息。
- class torchvision.models.RegNet_Y_128GF_Weights(value)[源]¶
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:
这些权重是通过迁移学习获得的,具体方式是在 ImageNet-1K 数据上对原始 SWAG 权重进行端到端微调。也可用作
RegNet_Y_128GF_Weights.DEFAULT
。acc@1(在 ImageNet-1K 上)
88.228
acc@5(在 ImageNet-1K 上)
98.682
min_size
height=1, width=1
类别
丁鱥、金鱼、大白鲨等(省略 997 个)
方法
许可证
参数数量
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
获得,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
重采样到resize_size=[384]
,然后进行crop_size=[384]
的中心裁剪。最后,值首先被重新缩放到[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学习的线性分类器组成,这些分类器在 ImageNet-1K 数据上训练。
acc@1(在 ImageNet-1K 上)
86.068
acc@5(在 ImageNet-1K 上)
97.844
min_size
height=1, width=1
类别
丁鱥、金鱼、大白鲨等(省略 997 个)
方法
许可证
参数数量
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
获得,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
重采样到resize_size=[224]
,然后进行crop_size=[224]
的中心裁剪。最后,值首先被重新缩放到[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。