resnext50_32x4d

torchvision.models.resnext50_32x4d(*, weights: Optional[ResNeXt50_32X4D_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

来自 深度神经网络的聚合残差变换 的 ResNeXt-50 32x4d 模型。

参数:

• weights (ResNeXt50_32X4D_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 ResNext50_32X4D_Weights。默认情况下，不使用预训练权重。

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

class torchvision.models.ResNeXt50_32X4D_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。ResNeXt50_32X4D_Weights.DEFAULT 等同于 ResNeXt50_32X4D_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNeXt50_32X4D_Weights.IMAGENET1K_V1:

这些权重使用简单的训练方法，可以很好地重现论文中的结果。

acc@1 (在 ImageNet-1K 上)	77.618
acc@5 (在 ImageNet-1K 上)	93.698
最小尺寸	高=1, 宽=1
类别	丁鳜, 金鱼, 大白鲨, … (省略 997 项)
参数数量	25028904
训练方法	链接
GFLOPS	4.23
文件大小	95.8 MB

推理转换可在 ResNeXt50_32X4D_Weights.IMAGENET1K_V1.transforms 中找到，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。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整到 resize_size=[256]，然后进行 crop_size=[224] 的中心裁剪。最后，先将值重新缩放到 [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。

ResNeXt50_32X4D_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。也可用作 ResNeXt50_32X4D_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	81.198
acc@5 (在 ImageNet-1K 上)	95.34
最小尺寸	高=1, 宽=1
类别	丁鳜, 金鱼, 大白鲨, … (省略 997 项)
参数数量	25028904
训练方法	链接
GFLOPS	4.23
文件大小	95.8 MB

推理转换可在 ResNeXt50_32X4D_Weights.IMAGENET1K_V2.transforms 中找到，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。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整到 resize_size=[232]，然后进行 crop_size=[224] 的中心裁剪。最后，先将值重新缩放到 [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。