regnet_y_3_2gf

torchvision.models.regnet_y_3_2gf(*, weights: Optional[RegNet_Y_3_2GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

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)

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	链接
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	链接
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。