快捷方式

resnet101

torchvision.models.resnet101(*, weights: Optional[ResNet101_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[源代码]

来自 用于图像识别的深度残差学习 的 ResNet-101。

注意

TorchVision 的瓶颈将降采样的步幅置于第二个 3x3 卷积,而原始论文将其置于第一个 1x1 卷积。这种变体提高了精度,被称为 ResNet V1.5

参数:
  • weights (ResNet101_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 ResNet101_Weights。默认情况下,不使用任何预训练权重。

  • progress (bool, 可选) – 如果为 True,则在 stderr 上显示下载进度条。默认为 True。

  • **kwargs – 传递给 torchvision.models.resnet.ResNet 基类的参数。有关此类的更多详细信息,请参阅 源代码

class torchvision.models.ResNet101_Weights(value)[源代码]

上面的模型构建器接受以下值作为 weights 参数。 ResNet101_Weights.DEFAULT 等效于 ResNet101_Weights.IMAGENET1K_V2。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

ResNet101_Weights.IMAGENET1K_V1:

这些权重使用简单的训练配方,密切再现了论文的结果。

acc@1 (在 ImageNet-1K 上)

77.374

acc@5 (在 ImageNet-1K 上)

93.546

最小尺寸

高度 = 1,宽度 = 1

类别

tench、goldfish、great white shark、… (省略 997 个)

参数数量

44549160

配方

链接

GFLOPS

7.80

文件大小

170.5 MB

推理变换在 ResNet101_Weights.IMAGENET1K_V1.transforms 中提供,并执行以下预处理操作:接受 PIL.Image、批量 (B, C, H, W) 和单个 (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 crop_size=[224] 的中心裁剪。最后,将值首先重新缩放为 [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。

ResNet101_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的 新训练配方,改进了原始论文的结果。也可以作为 ResNet101_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)

81.886

acc@5 (在 ImageNet-1K 上)

95.78

最小尺寸

高度 = 1,宽度 = 1

类别

tench、goldfish、great white shark、… (省略 997 个)

参数数量

44549160

配方

链接

GFLOPS

7.80

文件大小

170.5 MB

推理变换在 ResNet101_Weights.IMAGENET1K_V2.transforms 中提供,并执行以下预处理操作:接受 PIL.Image、批量 (B, C, H, W) 和单个 (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 crop_size=[224] 的中心裁剪。最后,将值首先重新缩放为 [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

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对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的解答

查看资源