wide_resnet101_2¶
- torchvision.models.wide_resnet101_2(*, weights: Optional[Wide_ResNet101_2_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[source]¶
来自宽残差网络的 Wide ResNet-101-2 模型。
该模型与 ResNet 相同，除了每个块中的瓶颈通道数是 ResNet 的两倍。外层 1x1 卷积的通道数相同，例如 ResNet-101 中的最后一个块具有 2048-512-2048 个通道，而 Wide ResNet-101-2 中具有 2048-1024-2048 个通道。
- 参数：
weights (
Wide_ResNet101_2_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Wide_ResNet101_2_Weights。默认情况下，不使用任何预训练权重。progress (bool, 可选) – 如果为 True，则将下载进度条显示到 stderr。默认为 True。
**kwargs – 传递给
torchvision.models.resnet.ResNet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.Wide_ResNet101_2_Weights(value)[source]¶
上面的模型构建器接受以下值作为
weights参数。Wide_ResNet101_2_Weights.DEFAULT等效于Wide_ResNet101_2_Weights.IMAGENET1K_V2。您也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。Wide_ResNet101_2_Weights.IMAGENET1K_V1:
这些权重使用简单的训练方案，重现了论文的结果。
acc@1 (在 ImageNet-1K 上)
78.848
acc@5 (在 ImageNet-1K 上)
94.284
最小尺寸
高度=1，宽度=1
类别
tench、goldfish、great white shark、…（省略 997 个）
参数数量
126886696
方案
GFLOPS
22.75
文件大小
242.9 MB
推理变换可在
Wide_ResNet101_2_Weights.IMAGENET1K_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.BILINEAR调整到resize_size=[256]，然后进行crop_size=[224]的中心裁剪。最后，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。Wide_ResNet101_2_Weights.IMAGENET1K_V2:
这些权重通过使用 TorchVision 的新的训练方案改进了原始论文的结果。也可作为
Wide_ResNet101_2_Weights.DEFAULT使用。acc@1 (在 ImageNet-1K 上)
82.51
acc@5 (在 ImageNet-1K 上)
96.02
最小尺寸
高度=1，宽度=1
类别
tench、goldfish、great white shark、…（省略 997 个）
参数数量
126886696
方案
GFLOPS
22.75
文件大小
484.7 MB
推理变换可在
Wide_ResNet101_2_Weights.IMAGENET1K_V2.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.BILINEAR调整到resize_size=[232]，然后进行crop_size=[224]的中心裁剪。最后，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。
