快捷方式

regnet_y_400mf

torchvision.models.regnet_y_400mf(*, weights: Optional[RegNet_Y_400MF_Weights] = None, progress: bool = True, **kwargs: Any) RegNet[源代码]

根据Designing Network Design Spaces构建一个 RegNetY_400MF 架构。

参数:
  • weights (RegNet_Y_400MF_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,请参见下方的 RegNet_Y_400MF_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 显示下载进度条。默认值为 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_400MF_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_400MF_Weights.DEFAULT 等同于 RegNet_Y_400MF_Weights.IMAGENET1K_V2。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

RegNet_Y_400MF_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方案,能够很好地重现论文中的结果。

acc@1 (在 ImageNet-1K 上)

74.046

acc@5 (在 ImageNet-1K 上)

91.716

最小尺寸

height=1, width=1

类别

丁鲷、金鱼、大白鲨,... (省略了 997 个)

参数数量

4344144

方案

链接

GFLOPS

0.40

文件大小

16.8 MB

推断转换可在 RegNet_Y_400MF_Weights.IMAGENET1K_V1.transforms 中找到,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。图像使用 interpolation=InterpolationMode.BILINEAR 方法调整大小到 resize_size=[256],然后进行中心裁剪 crop_size=[224]。最后,值首先被缩放到 [0.0, 1.0],然后使用 mean=[0.485, 0.456, 0.406]std=[0.229, 0.224, 0.225] 进行归一化。

RegNet_Y_400MF_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。也可作为 RegNet_Y_400MF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)

75.804

acc@5 (在 ImageNet-1K 上)

92.742

最小尺寸

height=1, width=1

类别

丁鲷、金鱼、大白鲨,... (省略了 997 个)

参数数量

4344144

方案

链接

GFLOPS

0.40

文件大小

16.8 MB

推断转换可在 RegNet_Y_400MF_Weights.IMAGENET1K_V2.transforms 中找到,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。图像使用 interpolation=InterpolationMode.BILINEAR 方法调整大小到 resize_size=[232],然后进行中心裁剪 crop_size=[224]。最后,值首先被缩放到 [0.0, 1.0],然后使用 mean=[0.485, 0.456, 0.406]std=[0.229, 0.224, 0.225] 进行归一化。

文档

查阅 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入教程

查看教程

资源

查找开发资源并获得问题解答

查看资源