regnet_y_3_2gf¶
- torchvision.models.regnet_y_3_2gf(*, weights: Optional[RegNet_Y_3_2GF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet [source]¶
从 Designing Network Design Spaces 构建一个 RegNetY_3.2GF 架构。
- 参数:
weights (
RegNet_Y_3_2GF_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_3_2GF_Weights
。默认情况下,不使用预训练权重。progress (bool, 可选) – 如果为 True,则向 stderr 显示下载进度条。默认值为 True。
**kwargs – 传递给
torchvision.models.regnet.RegNet
或torchvision.models.regnet.BlockParams
类的参数。有关类的更多详细信息,请参阅源代码。
- class torchvision.models.RegNet_Y_3_2GF_Weights(value)[source]¶
上面的模型构建器接受以下值作为
weights
参数。RegNet_Y_3_2GF_Weights.DEFAULT
等效于RegNet_Y_3_2GF_Weights.IMAGENET1K_V2
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_V1'
。RegNet_Y_3_2GF_Weights.IMAGENET1K_V1:
这些权重使用简单的训练方案可以很好地重现论文中的结果。
acc@1(在 ImageNet-1K 上)
78.948
acc@5(在 ImageNet-1K 上)
94.576
最小尺寸
height=1, width=1
类别
tench, goldfish, great white shark, … (省略 997 个)
参数数量
19436338
训练方案
GFLOPS
3.18
文件大小
74.6 MB
推理变换可通过
RegNet_Y_3_2GF_Weights.IMAGENET1K_V1.transforms
获得,并执行以下预处理操作:接受PIL.Image
、批量化的(B, C, H, W)
和单个(C, H, W)
图像torch.Tensor
对象。图像使用interpolation=InterpolationMode.BILINEAR
被调整到resize_size=[256]
,接着进行中心裁剪到crop_size=[224]
。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]
进行归一化。RegNet_Y_3_2GF_Weights.IMAGENET1K_V2:
这些权重通过使用 TorchVision 新训练方案的修改版本改进了原始论文的结果。也可用作
RegNet_Y_3_2GF_Weights.DEFAULT
。acc@1(在 ImageNet-1K 上)
81.982
acc@5(在 ImageNet-1K 上)
95.972
最小尺寸
height=1, width=1
类别
tench, goldfish, great white shark, … (省略 997 个)
参数数量
19436338
训练方案
GFLOPS
3.18
文件大小
74.6 MB
推理变换可通过
RegNet_Y_3_2GF_Weights.IMAGENET1K_V2.transforms
获得,并执行以下预处理操作:接受PIL.Image
、批量化的(B, C, H, W)
和单个(C, H, W)
图像torch.Tensor
对象。图像使用interpolation=InterpolationMode.BILINEAR
被调整到resize_size=[232]
,接着进行中心裁剪到crop_size=[224]
。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]
进行归一化。