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，但每个块中的瓶颈通道数是其两倍。外部 1x1 卷积中的通道数保持不变，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, optional) – 要使用的预训练权重。参见Wide_ResNet50_2_Weights 以下内容了解更多详细信息和可能的值。默认情况下，不使用预训练权重。

• progress (bool, optional) – 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。请参考 源代码 了解有关此类的更多详细信息。

class 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 等同于 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方法，能够与论文中的结果非常接近。

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	丁鲷鱼、金鱼、大白鲨等... (省略 997 个)
参数数量	68883240
训练方法	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 中获得，并执行以下预处理操作：接受 PIL.Image、批处理的 (B, C, H, W) 和单个的 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 通过 resize_size=[256] 进行缩放，然后进行中心裁剪，大小为 crop_size=[224]。最后，值首先被重新缩放至 [0.0, 1.0] 然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行标准化。

Wide_ResNet50_2_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的 新训练方法 达到比原始论文更好的结果。也可通过 Wide_ResNet50_2_Weights.DEFAULT 提供。

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	丁鲷鱼、金鱼、大白鲨等... (省略 997 个)
参数数量	68883240
训练方法	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 中获得，并执行以下预处理操作：接受 PIL.Image、批处理的 (B, C, H, W) 和单个的 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 通过 resize_size=[232] 进行缩放，然后进行中心裁剪，大小为 crop_size=[224]。最后，值首先被重新缩放至 [0.0, 1.0] 然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行标准化。