resnet18

torchvision.models.resnet18(*, weights: Optional[ResNet18_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

来自《用于图像识别的深度残差学习》论文的 ResNet-18 模型。

参数：

• weights (ResNet18_Weights, optional) – 要使用的预训练权重。有关详细信息和可能的值，请参阅下方的 ResNet18_Weights。默认情况下，不使用预训练权重。

• progress (bool, optional) – 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.resnet.ResNet 基类的参数。请参阅源代码了解有关此类的更多详细信息。

class torchvision.models.ResNet18_Weights(value)

上述模型构建器接受以下值作为 weights 参数。ResNet18_Weights.DEFAULT 等同于 ResNet18_Weights.IMAGENET1K_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNet18_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方法，能够很好地复现论文中的结果。也可通过 ResNet18_Weights.DEFAULT 访问。

acc@1（在 ImageNet-1K 上）	69.758
acc@5（在 ImageNet-1K 上）	89.078
最小尺寸	height=1, width=1
类别	丁鲷鱼、金鱼、大白鲨，…（省略 997 个）
参数数量	11689512
训练方法	链接
GFLOPS	1.81
文件大小	44.7 MB

推理转换可在 ResNet18_Weights.IMAGENET1K_V1.transforms 中获取，并执行以下预处理操作：接受 PIL.Image 对象、批处理的 (B, C, H, W) 和单个的 (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 crop_size=[224]。最后，值首先被重新缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。

使用 resnet18 的示例

Torchscript 支持

Torchscript 支持