regnet_y_32gf

torchvision.models.regnet_y_32gf(*, weights: Optional[RegNet_Y_32GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

从 Designing Network Design Spaces 构建 RegNetY_32GF 架构。

参数:

• weights (RegNet_Y_32GF_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_32GF_Weights。默认情况下，不使用预训练权重。

• progress (bool, 可选) – 如果为 True，则在 stderr 上显示下载进度条。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_32GF_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。RegNet_Y_32GF_Weights.DEFAULT 等同于 RegNet_Y_32GF_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_Y_32GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案，紧密地重现了论文的结果。

top-1 准确率（在 ImageNet-1K 上）	80.878
top-5 准确率（在 ImageNet-1K 上）	95.34
最小尺寸	height=1, width=1
类别	tench, goldfish, great white shark, … (省略 997 个)
参数数量	145046770
方案	链接
GFLOPS	32.28
文件大小	554.1 MB

推理转换可在 RegNet_Y_32GF_Weights.IMAGENET1K_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) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[256]，然后进行中心裁剪，裁剪大小为 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_32GF_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_32GF_Weights.DEFAULT 使用。

top-1 准确率（在 ImageNet-1K 上）	83.368
top-5 准确率（在 ImageNet-1K 上）	96.498
最小尺寸	height=1, width=1
类别	tench, goldfish, great white shark, … (省略 997 个)
参数数量	145046770
方案	链接
GFLOPS	32.28
文件大小	554.1 MB

推理转换可在 RegNet_Y_32GF_Weights.IMAGENET1K_V2.transforms 中找到，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[232]，然后进行中心裁剪，裁剪大小为 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_32GF_Weights.IMAGENET1K_SWAG_E2E_V1:

这些权重通过对 ImageNet-1K 数据进行端到端微调原始 SWAG 权重，通过迁移学习获得。

top-1 准确率（在 ImageNet-1K 上）	86.838
top-5 准确率（在 ImageNet-1K 上）	98.362
最小尺寸	height=1, width=1
类别	tench, goldfish, great white shark, … (省略 997 个)
方案	链接
许可证	链接
参数数量	145046770
GFLOPS	94.83
文件大小	554.1 MB

推理转换可在 RegNet_Y_32GF_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) 和单个 (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，裁剪大小为 crop_size=[384]。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_32GF_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线性分类器组成，该线性分类器在 ImageNet-1K 数据上训练。

top-1 准确率（在 ImageNet-1K 上）	84.622
top-5 准确率（在 ImageNet-1K 上）	97.48
最小尺寸	height=1, width=1
类别	tench, goldfish, great white shark, … (省略 997 个)
方案	链接
许可证	链接
参数数量	145046770
GFLOPS	32.28
文件大小	554.1 MB

推理转换可在 RegNet_Y_32GF_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) 和单个 (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，裁剪大小为 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。