快捷方式

resnext50_32x4d

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

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)[source]

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'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]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]std=[0.229, 0.224, 0.225] 进行归一化。

文档

访问 PyTorch 的完整开发者文档

查看文档

教程

获取面向初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源