regnet_y_32gf¶
- torchvision.models.regnet_y_32gf(*, weights: Optional[RegNet_Y_32GF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet [源代码]¶
从 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.RegNet
或torchvision.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'
或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
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]
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 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
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]
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
license
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]
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 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
license
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]
和std=[0.229, 0.224, 0.225]
进行归一化。