resnet152¶
- torchvision.models.resnet152(*, weights: Optional[ResNet152_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-152。
注意
TorchVision 的瓶颈将下采样的步幅放在第二个 3x3 卷积上,而原始论文将其放在第一个 1x1 卷积上。这种变体提高了准确性,被称为 ResNet V1.5。
- 参数:
weights (
ResNet152_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,请参见下面的ResNet152_Weights
。默认情况下,不使用任何预训练权重。progress (布尔值,可选) – 如果为 True,则将下载进度条显示到标准错误输出。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。
- 类 torchvision.models.ResNet152_Weights(value)[源代码]¶
上面的模型构建器接受以下值作为
weights
参数。ResNet152_Weights.DEFAULT
等效于ResNet152_Weights.IMAGENET1K_V2
。您还可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_V1'
。ResNet152_Weights.IMAGENET1K_V1:
这些权重使用简单的训练方法,密切再现了论文的结果。
acc@1 (在 ImageNet-1K 上)
78.312
acc@5 (在 ImageNet-1K 上)
94.046
最小尺寸
高度=1,宽度=1
类别
tench、金鱼、大白鲨、……(省略 997 个)
参数数量
60192808
配方
GFLOPS
11.51
文件大小
230.4 MB
推理变换可在
ResNet152_Weights.IMAGENET1K_V1.transforms
中获得,并执行以下预处理操作:接受PIL.Image
、批处理(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,值首先重新缩放至[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。ResNet152_Weights.IMAGENET1K_V2:
这些权重通过使用 TorchVision 的 新训练方法 改进了原始论文的结果。也可作为
ResNet152_Weights.DEFAULT
使用。acc@1 (在 ImageNet-1K 上)
82.284
acc@5 (在 ImageNet-1K 上)
96.002
最小尺寸
高度=1,宽度=1
类别
tench、金鱼、大白鲨、……(省略 997 个)
参数数量
60192808
配方
GFLOPS
11.51
文件大小
230.5 MB
推理变换可在
ResNet152_Weights.IMAGENET1K_V2.transforms
中获得,并执行以下预处理操作:接受PIL.Image
、批处理(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,值首先重新缩放至[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。