快捷方式

resnext101_32x8d

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

来自用于深度神经网络的聚合残差变换的 ResNeXt-101 32x8d 模型。

参数:
  • weights (ResNeXt101_32X8D_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ResNeXt101_32X8D_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,则向 stderr 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

torchvision.models.ResNeXt101_32X8D_Weights(value)[源代码]

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

ResNeXt101_32X8D_Weights.IMAGENET1K_V1:

这些权重使用简单的训练配方精确地再现了论文的结果。

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

塘鲺、金鱼、大白鲨、……(省略 997 个)

参数数量

88791336

配方

链接

GFLOPS

16.41

文件大小

339.6 MB

推理变换可在ResNeXt101_32X8D_Weights.IMAGENET1K_V1.transforms处获得,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调整为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]std=[0.229, 0.224, 0.225]进行归一化。

ResNeXt101_32X8D_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。也可作为ResNeXt101_32X8D_Weights.DEFAULT使用。

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

塘鲺、金鱼、大白鲨、……(省略 997 个)

参数数量

88791336

配方

链接

GFLOPS

16.41

文件大小

339.7 MB

推理变换可在ResNeXt101_32X8D_Weights.IMAGENET1K_V2.transforms处获得,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调整为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]std=[0.229, 0.224, 0.225]进行归一化。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源