wide_resnet50_2

torchvision.models.wide_resnet50_2(*, weights: Optional[Wide_ResNet50_2_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

来自 Wide Residual Networks 的 Wide ResNet-50-2 模型。

该模型与 ResNet 相同，只是每个块的瓶颈通道数量是其两倍。外部 1x1 卷积中的通道数量相同，例如，ResNet-50 的最后一个块有 2048-512-2048 个通道，而 Wide ResNet-50-2 有 2048-1024-2048 个通道。

参数：:

• weights (Wide_ResNet50_2_Weights，可选) – 要使用的预训练权重。有关更多详细信息以及可能的取值，请参见下面的 Wide_ResNet50_2_Weights。默认情况下，不使用任何预训练权重。

• progress (布尔值，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.resnet.ResNet 基类的参数。有关此类的更多详细信息，请参考 源代码。

类 torchvision.models.Wide_ResNet50_2_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。 Wide_ResNet50_2_Weights.DEFAULT 等效于 Wide_ResNet50_2_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

Wide_ResNet50_2_Weights.IMAGENET1K_V1:

这些权重使用简单的训练配方，可以密切地重现论文的结果。

acc@1（在 ImageNet-1K 上）	78.468
acc@5（在 ImageNet-1K 上）	94.086
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	68883240
配方	链接
GFLOPS	11.40
文件大小	131.8 MB

推理转换可在 Wide_ResNet50_2_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。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小到 resize_size=[256]，然后进行 crop_size=[224] 的中心裁剪。最后，将值先重新缩放到 [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_ResNet50_2_Weights.IMAGENET1K_V2:

这些权重使用 TorchVision 的 新训练配方，改进了原始论文的结果。也可以作为 Wide_ResNet50_2_Weights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	81.602
acc@5（在 ImageNet-1K 上）	95.758
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	68883240
配方	链接
GFLOPS	11.40
文件大小	263.1 MB

推理转换可在 Wide_ResNet50_2_Weights.IMAGENET1K_V2.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。图像使用 interpolation=InterpolationMode.BILINEAR 调整大小到 resize_size=[232]，然后进行 crop_size=[224] 的中心裁剪。最后，将值先重新缩放到 [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。