regnet_y_32gf¶
- torchvision.models.regnet_y_32gf(*, weights: Optional[RegNet_Y_32GF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet [source]¶
根据Designing Network Design Spaces论文构建 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,请参见下文的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 中显示下载进度条。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)[source]¶
上述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'
或weights='IMAGENET1K_V1'
。RegNet_Y_32GF_Weights.IMAGENET1K_V1:
这些权重使用简单的训练方法可以很好地复现论文中的结果。
acc@1 (在 ImageNet-1K 上)
80.878
acc@5 (在 ImageNet-1K 上)
95.34
最小尺寸
height=1, width=1
类别
丁鱥、金鱼、大白鲨等 (省略 997 个)
参数数量
145046770
训练方法
GFLOPS
32.28
文件大小
554.1 MB
推理变换可通过
RegNet_Y_32GF_Weights.IMAGENET1K_V1.transforms
获得,并执行以下预处理操作:接受PIL.Image
、批处理的(B, C, H, W)
和单个(C, H, W)
图像torch.Tensor
对象。使用interpolation=InterpolationMode.BILINEAR
将图像大小调整为resize_size=[256]
,然后进行crop_size=[224]
的中心裁剪。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]
进行标准化。RegNet_Y_32GF_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
最小尺寸
height=1, width=1
类别
丁鱥、金鱼、大白鲨等 (省略 997 个)
参数数量
145046770
训练方法
GFLOPS
32.28
文件大小
554.1 MB
推理变换可通过
RegNet_Y_32GF_Weights.IMAGENET1K_V2.transforms
获得,并执行以下预处理操作:接受PIL.Image
、批处理的(B, C, H, W)
和单个(C, H, W)
图像torch.Tensor
对象。使用interpolation=InterpolationMode.BILINEAR
将图像大小调整为resize_size=[232]
,然后进行crop_size=[224]
的中心裁剪。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]
进行标准化。RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_E2E_V1:
这些权重是通过在 ImageNet-1K 数据上对原始 SWAG 权重进行端到端微调,通过迁移学习获得的。
acc@1 (在 ImageNet-1K 上)
86.838
acc@5 (在 ImageNet-1K 上)
98.362
最小尺寸
height=1, width=1
类别
丁鱥、金鱼、大白鲨等 (省略 997 个)
训练方法
许可证
参数数量
145046770
GFLOPS
94.83
文件大小
554.1 MB
推理变换可通过
RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_E2E_V1.transforms
获得,并执行以下预处理操作:接受PIL.Image
、批处理的(B, C, H, W)
和单个(C, H, W)
图像torch.Tensor
对象。使用interpolation=InterpolationMode.BICUBIC
将图像大小调整为resize_size=[384]
,然后进行crop_size=[384]
的中心裁剪。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]
进行标准化。RegNet_Y_32GF_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,该分类器在 ImageNet-1K 数据上进行训练。
acc@1 (在 ImageNet-1K 上)
84.622
acc@5 (在 ImageNet-1K 上)
97.48
最小尺寸
height=1, width=1
类别
丁鱥、金鱼、大白鲨等 (省略 997 个)
训练方法
许可证
参数数量
145046770
GFLOPS
32.28
文件大小
554.1 MB
推理变换可通过
RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_LINEAR_V1.transforms
获得,并执行以下预处理操作:接受PIL.Image
、批处理的(B, C, H, W)
和单个(C, H, W)
图像torch.Tensor
对象。使用interpolation=InterpolationMode.BICUBIC
将图像大小调整为resize_size=[224]
,然后进行crop_size=[224]
的中心裁剪。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]
进行标准化。