vit_l_16

torchvision.models.vit_l_16(*, weights: Optional[ViT_L_16_Weights] = None, progress: bool = True, **kwargs: Any) → VisionTransformer

根据一张图像值16x16个词：大规模图像识别的Transformer构建 vit_l_16 架构。

参数:

• weights (ViT_L_16_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_L_16_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。请参考源代码了解此类的更多详细信息。

class torchvision.models.ViT_L_16_Weights(value)

上述模型构建器接受以下值作为 weights 参数。ViT_L_16_Weights.DEFAULT 等同于 ViT_L_16_Weights.IMAGENET1K_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ViT_L_16_Weights.IMAGENET1K_V1:

这些权重是使用 TorchVision 修改后的新训练配方从零开始训练的。也可作为 ViT_L_16_Weights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	79.662
acc@5（在 ImageNet-1K 上）	94.638
类别	丁鲷、金鱼、大白鲨…（省略997个）
参数数量	304326632
最小尺寸	height=224, width=224
配方	链接
GFLOPS	61.55
文件大小	1161.0 MB

推理转换可在 ViT_L_16_Weights.IMAGENET1K_V1.transforms 中找到，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。使用 interpolation=InterpolationMode.BILINEAR 将图像大小调整为 resize_size=[242]，然后进行中心裁剪，大小为 crop_size=[224]。最后，首先将值重新缩放到 [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_L_16_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。

acc@1（在 ImageNet-1K 上）	88.064
acc@5（在 ImageNet-1K 上）	98.512
类别	丁鲷、金鱼、大白鲨…（省略997个）
配方	链接
许可证	链接
参数数量	305174504
最小尺寸	height=512, width=512
GFLOPS	361.99
文件大小	1164.3 MB

推理转换可在 ViT_L_16_Weights.IMAGENET1K_SWAG_E2E_V1.transforms 中找到，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。使用 interpolation=InterpolationMode.BICUBIC 将图像大小调整为 resize_size=[512]，然后进行中心裁剪，大小为 crop_size=[512]。最后，首先将值重新缩放到 [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_L_16_Weights.IMAGENET1K_SWAG_LINEAR_V1:

这些权重由原始冻结的 SWAG 主干权重和在此基础上训练的线性分类器组成，在 ImageNet-1K 数据上训练。

acc@1（在 ImageNet-1K 上）	85.146
acc@5（在 ImageNet-1K 上）	97.422
类别	丁鲷、金鱼、大白鲨…（省略997个）
配方	链接
许可证	链接
参数数量	304326632
最小尺寸	height=224, width=224
GFLOPS	61.55
文件大小	1161.0 MB

推理转换可在 ViT_L_16_Weights.IMAGENET1K_SWAG_LINEAR_V1.transforms 中找到，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。使用 interpolation=InterpolationMode.BICUBIC 将图像大小调整为 resize_size=[224]，然后进行中心裁剪，大小为 crop_size=[224]。最后，首先将值重新缩放到 [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。