resnet101

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

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)

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' 或 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] 和 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] 和 std=[0.229, 0.224, 0.225] 进行归一化。