resnext101_32x8d

torchvision.models.resnext101_32x8d(*, weights: Optional[ResNeXt101_32X8D_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

ResNeXt-101 32x8d 模型，来自论文 Aggregated Residual Transformation for Deep Neural Networks。

参数:

• weights (可选的 ResNeXt101_32X8D_Weights) – 要使用的预训练权重。更多详细信息和可能的值，请参见下方的 ResNeXt101_32X8D_Weights。默认情况下不使用预训练权重。

• progress (可选的 bool) – 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。有关此类别的更多详细信息，请参阅 源代码。

class torchvision.models.ResNeXt101_32X8D_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。ResNeXt101_32X8D_Weights.DEFAULT 等同于 ResNeXt101_32X8D_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNeXt101_32X8D_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方法重现了论文的结果。

acc@1（在 ImageNet-1K 上）	79.312
acc@5（在 ImageNet-1K 上）	94.526
最小尺寸	高度=1，宽度=1
类别	丁鲷、金鱼、大白鲨，…（省略 997 个）
参数数量	88791336
训练方法	链接
GFLOPS	16.41
文件大小	339.6 MB

推理变换可通过 ResNeXt101_32X8D_Weights.IMAGENET1K_V1.transforms 获取，并执行以下预处理操作：接受 PIL.Image 对象、批处理 (B, C, H, W) 图像 torch.Tensor 对象和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 方法被缩放至 resize_size=[256]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。最后，将值首先重新缩放至 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行标准化。

ResNeXt101_32X8D_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的新训练方法改进了原论文的结果。也可用作 ResNeXt101_32X8D_Weights.DEFAULT。

acc@1（在 ImageNet-1K 上）	82.834
acc@5（在 ImageNet-1K 上）	96.228
最小尺寸	高度=1，宽度=1
类别	丁鲷、金鱼、大白鲨，…（省略 997 个）
参数数量	88791336
训练方法	链接
GFLOPS	16.41
文件大小	339.7 MB

推理变换可通过 ResNeXt101_32X8D_Weights.IMAGENET1K_V2.transforms 获取，并执行以下预处理操作：接受 PIL.Image 对象、批处理 (B, C, H, W) 图像 torch.Tensor 对象和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 方法被缩放至 resize_size=[232]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224]。最后，将值首先重新缩放至 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行标准化。