快捷方式

vit_l_32

torchvision.models.vit_l_32(*, weights: Optional[ViT_L_32_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_l_32 架构。

参数:
  • weights (ViT_L_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,请参阅下方的ViT_L_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 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_L_32_Weights(value)[source]

上述模型构建器接受以下值作为 weights 参数。ViT_L_32_Weights.DEFAULT 等同于 ViT_L_32_Weights.IMAGENET1K_V1。您也可以使用字符串,例如 weights='DEFAULT'weights='IMAGENET1K_V1'

ViT_L_32_Weights.IMAGENET1K_V1:

这些权重是使用修改后的 DeIT 训练方案从头开始训练的。也可用作 ViT_L_32_Weights.DEFAULT

acc@1(在 ImageNet-1K 上)

76.972

acc@5(在 ImageNet-1K 上)

93.07

类别

丁鱥鱼、金鱼、大白鲨,...(省略 997 个)

参数数量

306535400

最小尺寸

height=224, width=224

方案

链接

GFLOPS

15.38

文件大小

1169.4 MB

推理转换可在 ViT_L_32_Weights.IMAGENET1K_V1.transforms 中找到,并执行以下预处理操作:接受 PIL.Image,批量 (B, C, H, W) 和单张 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 缩放到 resize_size=[256],然后进行 crop_size=[224] 的中心裁剪。最后,值首先缩放到 [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解答

查看资源