regnet_y_8gf

torchvision.models.regnet_y_8gf(*, weights: Optional[RegNet_Y_8GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根据 Designing Network Design Spaces 构建 RegNetY_8GF 架构。

参数:

• weights (RegNet_Y_8GF_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，请参阅下面的 RegNet_Y_8GF_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_8GF_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。RegNet_Y_8GF_Weights.DEFAULT 等同于 RegNet_Y_8GF_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_Y_8GF_Weights.IMAGENET1K_V1:

这些权重通过简单的训练方法重现了论文的结果。

acc@1 (在 ImageNet-1K 上)	80.032
acc@5 (在 ImageNet-1K 上)	95.048
最小尺寸	高度=1, 宽度=1
类别	丁鲷, 金鱼, 大白鲨, ... (省略 997 个)
参数数量	39381472
训练方法 (recipe)	链接
GFLOPS	8.47
文件大小	150.7 MB

推理转换可从 RegNet_Y_8GF_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) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小到 resize_size=[256]，然后进行中心裁剪到 crop_size=[224]。最后，值首先重新缩放到 [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_8GF_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。也可用作 RegNet_Y_8GF_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	82.828
acc@5 (在 ImageNet-1K 上)	96.33
最小尺寸	高度=1, 宽度=1
类别	丁鲷, 金鱼, 大白鲨, ... (省略 997 个)
参数数量	39381472
训练方法 (recipe)	链接
GFLOPS	8.47
文件大小	150.7 MB

推理转换可从 RegNet_Y_8GF_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) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小到 resize_size=[232]，然后进行中心裁剪到 crop_size=[224]。最后，值首先重新缩放到 [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。