快捷方式

regnet_y_32gf

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

设计网络设计空间构建 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,请参见下面的 RegNet_Y_32GF_Weights。默认情况下,不使用任何预训练权重。

  • progress (bool, 可选) – 如果为 True,则将下载进度条显示到 stderr。默认值为 True。

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

class torchvision.models.RegNet_Y_32GF_Weights(value)[源代码]

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

RegNet_Y_32GF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练配方,可以再现论文中的结果。

acc@1 (在 ImageNet-1K 上)

80.878

acc@5 (在 ImageNet-1K 上)

95.34

min_size

height=1, width=1

categories

tench, goldfish, great white shark, … (997 被省略)

num_params

145046770

recipe

link

GFLOPS

32.28

文件大小

554.1 MB

推理转换在 RegNet_Y_32GF_Weights.IMAGENET1K_V1.transforms 中可用,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 调整大小为 resize_size=[256],然后进行 crop_size=[224] 的中央裁剪。最后,将值首先重新缩放到 [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_32GF_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的 新的训练配方 的修改版本,改进了原始论文的结果。也可以作为 RegNet_Y_32GF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)

83.368

acc@5 (在 ImageNet-1K 上)

96.498

min_size

height=1, width=1

categories

tench, goldfish, great white shark, … (997 被省略)

num_params

145046770

recipe

link

GFLOPS

32.28

文件大小

554.1 MB

推理转换在 RegNet_Y_32GF_Weights.IMAGENET1K_V2.transforms 中可用,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 调整大小为 resize_size=[232],然后进行 crop_size=[224] 的中央裁剪。最后,将值首先重新缩放到 [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_32GF_Weights.IMAGENET1K_SWAG_E2E_V1:

这些权重通过在 ImageNet-1K 数据上对原始 SWAG 权重进行端到端微调,通过迁移学习来学习。

acc@1 (在 ImageNet-1K 上)

86.838

acc@5 (在 ImageNet-1K 上)

98.362

min_size

height=1, width=1

categories

tench, goldfish, great white shark, … (997 被省略)

recipe

link

license

link

num_params

145046770

GFLOPS

94.83

文件大小

554.1 MB

推理转换在 RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_E2E_V1.transforms 中可用,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.BICUBIC 调整大小为 resize_size=[384],然后进行 crop_size=[384] 的中央裁剪。最后,将值首先重新缩放到 [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_32GF_Weights.IMAGENET1K_SWAG_LINEAR_V1:

这些权重由原始冻结的 SWAG 主干权重和在 ImageNet-1K 数据集上训练的线性分类器组成。

acc@1 (在 ImageNet-1K 上)

84.622

acc@5 (在 ImageNet-1K 上)

97.48

min_size

height=1, width=1

categories

tench, goldfish, great white shark, … (997 被省略)

recipe

link

license

link

num_params

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、批处理 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BICUBIC 调整到 resize_size=[224],然后进行中心裁剪,裁剪大小为 crop_size=[224]。最后,值首先重新调整到 [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

获取针对初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得答案

查看资源