wide_resnet50_2¶
- torchvision.models.wide_resnet50_2(*, weights: Optional[Wide_ResNet50_2_Weights] = None, progress: bool = True, **kwargs: Any) ResNet [源代码]¶
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)[源代码]¶
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
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
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。