wide_resnet50_2¶
- torchvision.models.wide_resnet50_2(*, weights: Optional[Wide_ResNet50_2_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[source]¶
来自 Wide Residual Networks 的 Wide ResNet-50-2 模型。
该模型与 ResNet 相同，不同之处在于每个块中的瓶颈通道数是 ResNet 的两倍。外部 1x1 卷积中的通道数是相同的，例如 ResNet-50 中的最后一个块具有 2048-512-2048 个通道，而 Wide ResNet-50-2 中具有 2048-1024-2048 个通道。
- 参数:
weights (
Wide_ResNet50_2_Weights, optional) – 要使用的预训练权重。有关更多详细信息和可能的值，请参阅下面的Wide_ResNet50_2_Weights。默认情况下，不使用预训练权重。progress (bool, optional) – 如果为 True，则在 stderr 上显示下载进度条。默认值为 True。
**kwargs – 传递给
torchvision.models.resnet.ResNet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.Wide_ResNet50_2_Weights(value)[source]¶
上面的模型构建器接受以下值作为
weights参数。Wide_ResNet50_2_Weights.DEFAULT等同于Wide_ResNet50_2_Weights.IMAGENET1K_V2。您还可以使用字符串，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方案，紧密地重现了论文的结果。
acc@1 (在 ImageNet-1K 上)
78.468
acc@5 (在 ImageNet-1K 上)
94.086
min_size
height=1, width=1
categories
tench, goldfish, great white shark, … (省略 997 个)
num_params
68883240
recipe
GFLOPS
11.40
文件大小
131.8 MB
推理变换在
Wide_ResNet50_2_Weights.IMAGENET1K_V1.transforms可用，并执行以下预处理操作：接受PIL.Image、批处理(B, C, H, W)和单张(C, H, W)图像torch.Tensor对象。图像被调整大小到resize_size=[256]，使用interpolation=InterpolationMode.BILINEAR插值，然后进行中心裁剪crop_size=[224]。最后，值首先被重新缩放到[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:
这些权重通过使用 TorchVision 的新训练方案，改进了原始论文的结果。也可作为
Wide_ResNet50_2_Weights.DEFAULT使用。acc@1 (在 ImageNet-1K 上)
81.602
acc@5 (在 ImageNet-1K 上)
95.758
min_size
height=1, width=1
categories
tench, goldfish, great white shark, … (省略 997 个)
num_params
68883240
recipe
GFLOPS
11.40
文件大小
263.1 MB
推理变换在
Wide_ResNet50_2_Weights.IMAGENET1K_V2.transforms可用，并执行以下预处理操作：接受PIL.Image、批处理(B, C, H, W)和单张(C, H, W)图像torch.Tensor对象。图像被调整大小到resize_size=[232]，使用interpolation=InterpolationMode.BILINEAR插值，然后进行中心裁剪crop_size=[224]。最后，值首先被重新缩放到[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。
