efficientnet_b1

torchvision.models.efficientnet_b1(*, weights: Optional[EfficientNet_B1_Weights] = None, progress: bool = True, **kwargs: Any) → EfficientNet

出自論文 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 的 EfficientNet B1 模型架構。

引數:

• weights (EfficientNet_B1_Weights, 可選) – 要使用的預訓練權重。有關更多詳細資訊和可能的值，請參閱下方的 EfficientNet_B1_Weights。預設情況下，不使用預訓練權重。

• progress (bool, 可選) – 如果為 True，則在標準錯誤中顯示下載進度條。預設為 True。

• **kwargs – 傳遞給 torchvision.models.efficientnet.EfficientNet 基類的引數。有關此類的更多詳細資訊，請參閱原始碼。

class torchvision.models.EfficientNet_B1_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。EfficientNet_B1_Weights.DEFAULT 等效於 EfficientNet_B1_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

EfficientNet_B1_Weights.IMAGENET1K_V1:

這些權重從原始論文中移植而來。

acc@1 (在 ImageNet-1K 上)	78.642
acc@5 (在 ImageNet-1K 上)	94.186
類別	丁鱥, 金魚, 大白鯊, ... (省略 997 個)
min_size	height=1, width=1
訓練方案	連結
引數數量	7794184
GFLOPS	0.69
檔案大小	30.1 MB

推理轉換可在 EfficientNet_B1_Weights.IMAGENET1K_V1.transforms 處獲得，並執行以下預處理操作：接受 PIL.Image 物件，批處理的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BICUBIC 重塑為 resize_size=[256]，然後進行 crop_size=[240] 的中心裁剪。最後，先將值重新縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。

EfficientNet_B1_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 新訓練方案 的修改版本，改進了原始論文的結果。也可用作 EfficientNet_B1_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	79.838
acc@5 (在 ImageNet-1K 上)	94.934
類別	丁鱥, 金魚, 大白鯊, ... (省略 997 個)
min_size	height=1, width=1
訓練方案	連結
引數數量	7794184
GFLOPS	0.69
檔案大小	30.1 MB

推理轉換可在 EfficientNet_B1_Weights.IMAGENET1K_V2.transforms 處獲得，並執行以下預處理操作：接受 PIL.Image 物件，批處理的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 重塑為 resize_size=[255]，然後進行 crop_size=[240] 的中心裁剪。最後，先將值重新縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。