maxvit_t

torchvision.models.maxvit_t(*, weights: Optional[MaxVit_T_Weights] = None, progress: bool = True, **kwargs: Any) → MaxVit

根據 MaxViT: Multi-Axis Vision Transformer (多軸視覺 Transformer) 構建 maxvit_t 架構。

引數:

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

• progress (bool, optional) – 如果為 True，則在 stderr 中顯示下載進度條。預設為 True。

• **kwargs – 傳遞給 torchvision.models.maxvit.MaxVit 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.MaxVit_T_Weights(value)

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

MaxVit_T_Weights.IMAGENET1K_V1:

這些權重使用類似的訓練方案，可以很好地重現論文的結果。它們使用 0.99 的 BatchNorm2D 動量進行訓練，而不是更正確的 0.01。也可以透過 MaxVit_T_Weights.DEFAULT 獲取。

acc@1 (在 ImageNet-1K 上)	83.7
acc@5 (在 ImageNet-1K 上)	96.722
類別	丁鱥、金魚、大白鯊，... (省略 997 個)
引數數量	30919624
最小尺寸	height=224, width=224
訓練方案	連結
GFLOPS	5.56
檔案大小	118.8 MB

推理變換可在 MaxVit_T_Weights.IMAGENET1K_V1.transforms 獲取，並執行以下預處理操作：接受 PIL.Image、批次 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。使用 interpolation=InterpolationMode.BICUBIC 將影像大小調整為 resize_size=[224]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，先將值縮放到 [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。