vit_h_14¶
- torchvision.models.vit_h_14(*, weights: Optional[ViT_H_14_Weights] = None, progress: bool = True, **kwargs: Any) VisionTransformer [源代码]¶
根据 一幅图像值 16x16 个单词:用于图像识别的 Transformer 构建 vit_h_14 架构。
- 参数:
weights (
ViT_H_14_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ViT_H_14_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.vision_transformer.VisionTransformer
基类的参数。有关此类的更多详细信息,请参阅 源代码。
- 类 torchvision.models.ViT_H_14_Weights(value)[源代码]¶
上面的模型构建器接受以下值作为
weights
参数。ViT_H_14_Weights.DEFAULT
等效于ViT_H_14_Weights.IMAGENET1K_SWAG_E2E_V1
。您还可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_SWAG_E2E_V1'
。ViT_H_14_Weights.IMAGENET1K_SWAG_E2E_V1:
这些权重是通过迁移学习获得的,方法是使用 ImageNet-1K 数据对原始 SWAG 权重进行端到端微调。也可作为
ViT_H_14_Weights.DEFAULT
使用。acc@1(在 ImageNet-1K 上)
88.552
acc@5(在 ImageNet-1K 上)
98.694
类别
tench、金鱼、大白鲨、……(省略 997 个)
配方
许可证
参数数量
633470440
最小尺寸
高度=518,宽度=518
GFLOPS
1016.72
文件大小
2416.6 MB
推理变换可在
ViT_H_14_Weights.IMAGENET1K_SWAG_E2E_V1.transforms
中获得,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.BICUBIC
调整大小为resize_size=[518]
,然后进行crop_size=[518]
的中心裁剪。最后,将值首先重新缩放至[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。ViT_H_14_Weights.IMAGENET1K_SWAG_LINEAR_V1:
这些权重由原始冻结的 SWAG 主干权重和在其之上学习的线性分类器组成,该分类器在 ImageNet-1K 数据上进行训练。
acc@1(在 ImageNet-1K 上)
85.708
acc@5(在 ImageNet-1K 上)
97.73
类别
tench、金鱼、大白鲨、……(省略 997 个)
配方
许可证
参数数量
632045800
最小尺寸
高度=224,宽度=224
GFLOPS
167.29
文件大小
2411.2 MB
推理变换可在
ViT_H_14_Weights.IMAGENET1K_SWAG_LINEAR_V1.transforms
中获得,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.BICUBIC
调整大小为resize_size=[224]
,然后进行crop_size=[224]
的中心裁剪。最后,将值首先重新缩放至[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。