vit_l_32¶
- torchvision.models.vit_l_32(*, weights: Optional[ViT_L_32_Weights] = None, progress: bool = True, **kwargs: Any) VisionTransformer [源代码]¶
从 一幅图像胜过 16x16 个单词:用于大规模图像识别的 Transformer 中构建 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,请参见下面的ViT_L_32_Weights
。默认情况下,不使用任何预训练权重。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。有关此类的更多详细信息,请参阅 源代码。
- class torchvision.models.ViT_L_32_Weights(value)[源代码]¶
上面的模型构建器接受以下值作为
weights
参数。ViT_L_32_Weights.DEFAULT
等效于ViT_L_32_Weights.IMAGENET1K_V1
。您也可以使用字符串,例如weights='DEFAULT'
或weights='IMAGENET1K_V1'
。ViT_L_32_Weights.IMAGENET1K_V1:
这些权重是通过使用 DeIT 的训练配方修改版从头开始训练的。也可以用
ViT_L_32_Weights.DEFAULT
表示。acc@1 (在 ImageNet-1K 上)
76.972
acc@5 (在 ImageNet-1K 上)
93.07
类别
tench, goldfish, great white shark, … (省略 997 个)
参数数量
306535400
最小尺寸
height=224, width=224
配方
GFLOPS
15.38
文件大小
1169.4 MB
推理变换可在
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)
和单个(C, H, W)
图像torch.Tensor
对象。这些图像使用interpolation=InterpolationMode.BILINEAR
调整大小至resize_size=[256]
,然后进行crop_size=[224]
的中央裁剪。最后,将这些值首先重新缩放到[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。