regnet_y_1_6gf

torchvision.models.regnet_y_1_6gf(*, weights: Optional[RegNet_Y_1_6GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根据《Designing Network Design Spaces》构建一个 RegNetY_1.6GF 架构。

参数：

• weights （RegNet_Y_1_6GF_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，请参阅下面的RegNet_Y_1_6GF_Weights。默认情况下，不使用预训练权重。

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

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

class torchvision.models.RegNet_Y_1_6GF_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。RegNet_Y_1_6GF_Weights.DEFAULT 等同于 RegNet_Y_1_6GF_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_Y_1_6GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方法，与论文中的结果非常接近。

acc@1（在 ImageNet-1K 上）	77.95
acc@5（在 ImageNet-1K 上）	93.966
最小尺寸	高度=1, 宽度=1
类别	丁鱥, 金鱼, 大白鲨, … （省略 997 个）
参数数量	11202430
训练方法	链接
GFLOPS	1.61
文件大小	43.2 MB

推理变换可在 RegNet_Y_1_6GF_Weights.IMAGENET1K_V1.transforms 处获得，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 将大小调整为 resize_size=[256]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。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_1_6GF_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 新训练方法的修改版本，改进了原始论文的结果。也可通过 RegNet_Y_1_6GF_Weights.DEFAULT 获取。

acc@1（在 ImageNet-1K 上）	80.876
acc@5（在 ImageNet-1K 上）	95.444
最小尺寸	高度=1, 宽度=1
类别	丁鱥, 金鱼, 大白鲨, … （省略 997 个）
参数数量	11202430
训练方法	链接
GFLOPS	1.61
文件大小	43.2 MB

推理变换可在 RegNet_Y_1_6GF_Weights.IMAGENET1K_V2.transforms 处获得，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 将大小调整为 resize_size=[232]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。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。