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[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.RegNettorchvision.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'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]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]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]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]std=[0.229, 0.224, 0.225] 进行标准化。

文档

获取 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源