快捷方式

regnet_y_1_6gf

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

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

参数:
  • weightsRegNet_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。

  • progressbool,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.RegNettorchvision.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)[source]

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'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]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]std=[0.229, 0.224, 0.225] 进行归一化。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源