vit_b_32

torchvision.models.vit_b_32(*, weights: 可选[ViT_B_32_Weights] = None, progress: bool = True, **kwargs: Any) → VisionTransformer

从 一幅图像胜过 16x16 个词：用于大规模图像识别的 Transformer 中构建 vit_b_32 架构。

参数：

• weights (ViT_B_32_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 ViT_B_32_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 上显示下载进度条。默认值为 True。

• **kwargs – 传递给 torchvision.models.vision_transformer.VisionTransformer 基类的参数。有关此类的更多详细信息，请参考 源代码。

class torchvision.models.ViT_B_32_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。 ViT_B_32_Weights.DEFAULT 等效于 ViT_B_32_Weights.IMAGENET1K_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ViT_B_32_Weights.IMAGENET1K_V1:

这些权重是使用 DeIT 的训练配方修改版从头开始训练的。也可以作为 ViT_B_32_Weights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	75.912
acc@5（在 ImageNet-1K 上）	92.466
类别	tench, goldfish, great white shark, … (省略 997 个)
参数数量	88224232
最小尺寸	height=224, width=224
配方	链接
GFLOPS	4.41
文件大小	336.6 MB

推理变换可在 ViT_B_32_Weights.IMAGENET1K_V1.transforms 中找到，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 调整大小到 resize_size=[256]，然后进行 crop_size=[224] 的中心裁剪。最后，将值首先重新缩放到 [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。