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'
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
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
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。