regnet_y_32gf

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

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)

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	链接
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	链接
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	链接
许可证	链接
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	链接
许可证	链接
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。