vit_h_14¶
- torchvision.models.vit_h_14(*, weights: Optional[ViT_H_14_Weights] = None, progress: bool = True, **kwargs: Any) VisionTransformer [source]¶
根据 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 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,请参见下文的ViT_H_14_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.vision_transformer.VisionTransformer
基类的参数。有关此类别的更多详细信息,请参阅 源代码。
- class torchvision.models.ViT_H_14_Weights(value)[source]¶
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
。您也可以使用字符串,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,通过在 ImageNet-1K 数据上对原始 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
丁鲷鱼, 金鱼, 大白鲨, … (省略 997 个)
范例
许可证
参数数量
633470440
最小尺寸
高=518, 宽=518
GFLOPS
1016.72
文件大小
2416.6 MB
推理转换可在
ViT_H_14_Weights.IMAGENET1K_SWAG_E2E_V1.transforms
处获得,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
被缩放至resize_size=[518]
,然后进行crop_size=[518]
的中心裁剪。最后,值首先被重新缩放到[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。ViT_H_14_Weights.IMAGENET1K_SWAG_LINEAR_V1:
这些权重由原始冻结的 SWAG 主干权重和在其基础上在 ImageNet-1K 数据上训练的线性分类器组成。
acc@1 (在 ImageNet-1K 上)
85.708
acc@5 (在 ImageNet-1K 上)
97.73
类别
丁鲷鱼, 金鱼, 大白鲨, … (省略 997 个)
范例
许可证
参数数量
632045800
最小尺寸
高=224, 宽=224
GFLOPS
167.29
文件大小
2411.2 MB
推理转换可在
ViT_H_14_Weights.IMAGENET1K_SWAG_LINEAR_V1.transforms
处获得,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
被缩放至resize_size=[224]
,然后进行crop_size=[224]
的中心裁剪。最后,值首先被重新缩放到[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。