快捷方式

regnet_y_16gf

torchvision.models.regnet_y_16gf(*, weights: Optional[RegNet_Y_16GF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet[source]

根据Designing Network Design Spaces构建一个 RegNetY_16GF 架构。

参数:
  • weights (RegNet_Y_16GF_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,请参见下方的RegNet_Y_16GF_Weights。默认情况下,不使用预训练权重。

  • progress (bool, 可选) – 如果为 True,则在标准错误输出 (stderr) 显示下载进度条。默认值为 True。

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

class torchvision.models.RegNet_Y_16GF_Weights(value)[source]

上述模型构建器接受以下值作为 weights 参数。RegNet_Y_16GF_Weights.DEFAULT 等同于 RegNet_Y_16GF_Weights.IMAGENET1K_V2。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

RegNet_Y_16GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案重现了论文中的结果。

acc@1 (在 ImageNet-1K 上)

80.424

acc@5 (在 ImageNet-1K 上)

95.24

最小尺寸

height=1, width=1

类别

丁鲷, 金鱼, 大白鲨, … (省略 997 个)

参数数量

83590140

方案

链接

GFLOPS

15.91

文件大小

319.5 MB

推理变换可在 RegNet_Y_16GF_Weights.IMAGENET1K_V1.transforms 获取,并执行以下预处理操作:接受 PIL.Image 对象、批量 (B, C, H, W) 和单张 (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,crop_size=[224]。最后,值首先缩放到 [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_Y_16GF_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。也可作为 RegNet_Y_16GF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)

82.886

acc@5 (在 ImageNet-1K 上)

96.328

最小尺寸

height=1, width=1

类别

丁鲷, 金鱼, 大白鲨, … (省略 997 个)

参数数量

83590140

方案

链接

GFLOPS

15.91

文件大小

319.5 MB

推理变换可在 RegNet_Y_16GF_Weights.IMAGENET1K_V2.transforms 获取,并执行以下预处理操作:接受 PIL.Image 对象、批量 (B, C, H, W) 和单张 (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,crop_size=[224]。最后,值首先缩放到 [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_Y_16GF_Weights.IMAGENET1K_SWAG_E2E_V1:

这些权重是通过迁移学习获得的,方法是对原始的 SWAG 权重在 ImageNet-1K 数据上进行端到端微调。

acc@1 (在 ImageNet-1K 上)

86.012

acc@5 (在 ImageNet-1K 上)

98.054

最小尺寸

height=1, width=1

类别

丁鲷, 金鱼, 大白鲨, … (省略 997 个)

方案

链接

许可证

链接

参数数量

83590140

GFLOPS

46.73

文件大小

319.5 MB

推理变换可在 RegNet_Y_16GF_Weights.IMAGENET1K_SWAG_E2E_V1.transforms 获取,并执行以下预处理操作:接受 PIL.Image 对象、批量 (B, C, H, W) 和单张 (C, H, W) 图像的 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BICUBIC 缩放到 resize_size=[384],然后进行中心裁剪,crop_size=[384]。最后,值首先缩放到 [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_Y_16GF_Weights.IMAGENET1K_SWAG_LINEAR_V1:

这些权重由原始冻结的 SWAG 主干权重以及在其之上训练的线性分类器组成,训练数据为 ImageNet-1K。

acc@1 (在 ImageNet-1K 上)

83.976

acc@5 (在 ImageNet-1K 上)

97.244

最小尺寸

height=1, width=1

类别

丁鲷, 金鱼, 大白鲨, … (省略 997 个)

方案

链接

许可证

链接

参数数量

83590140

GFLOPS

15.91

文件大小

319.5 MB

推理变换可在 RegNet_Y_16GF_Weights.IMAGENET1K_SWAG_LINEAR_V1.transforms 获取,并执行以下预处理操作:接受 PIL.Image 对象、批量 (B, C, H, W) 和单张 (C, H, W) 图像的 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BICUBIC 缩放到 resize_size=[224],然后进行中心裁剪,crop_size=[224]。最后,值首先缩放到 [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 的完整开发者文档

查看文档

教程

获取针对初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获取问题解答

查看资源