快捷方式

swin_t

torchvision.models.swin_t(*, weights: Optional[Swin_T_Weights] = None, progress: bool = True, **kwargs: Any) SwinTransformer[源代码]

Swin Transformer:使用移位窗口的分层视觉Transformer 构建 swin_tiny 架构。

参数:
  • weights (Swin_T_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 Swin_T_Weights。默认情况下,不使用任何预训练权重。

  • progress (bool, 可选) – 如果为 True,则在 stderr 上显示下载进度条。默认值为 True。

  • **kwargs – 传递给 torchvision.models.swin_transformer.SwinTransformer 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.Swin_T_Weights(value)[源代码]

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

Swin_T_Weights.IMAGENET1K_V1:

这些权重使用类似的训练配方,可以重现论文的结果。也可以用 Swin_T_Weights.DEFAULT 表示。

acc@1 (在 ImageNet-1K 上)

81.474

acc@5 (在 ImageNet-1K 上)

95.776

类别

tench、金鱼、大白鲨、… (省略 997)

参数数量

28288354

最小尺寸

高度=224,宽度=224

配方

链接

GFLOPS

4.49

文件大小

108.2 MB

推理转换在 Swin_T_Weights.IMAGENET1K_V1.transforms 中可用,并执行以下预处理操作:接受 PIL.Image、批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BICUBIC 调整大小为 resize_size=[232],然后进行 crop_size=[224] 的中心裁剪。最后,将值首先重新缩放为 [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

获取针对初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源