mobilenet_v2

torchvision.models.mobilenet_v2(*, weights: Optional[MobileNet_V2_Weights] = None, progress: bool = True, **kwargs: Any) → MobileNetV2

來自《MobileNetV2: Inverted Residuals and Linear Bottlenecks》論文的 MobileNetV2 架構。

引數：

• weights (MobileNet_V2_Weights, 可選) – 要使用的預訓練權重。請參閱下方的 MobileNet_V2_Weights 以瞭解更多詳細資訊和可能的值。預設情況下，不使用預訓練權重。

• progress (bool, 可選) – 如果為 True，則在標準錯誤輸出 (stderr) 中顯示下載進度條。預設值為 True。

• **kwargs – 傳遞給 torchvision.models.mobilenetv2.MobileNetV2 基類的引數。請參閱原始碼瞭解此類的更多詳細資訊。

class torchvision.models.MobileNet_V2_Weights(value)

上述模型構建器接受以下值作為 weights 引數。MobileNet_V2_Weights.DEFAULT 等同於 MobileNet_V2_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

MobileNet_V2_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方案能較好地重現論文結果。

acc@1 (在 ImageNet-1K 上)	71.878
acc@5 (在 ImageNet-1K 上)	90.286
num_params	3504872
min_size	height=1, width=1
類別	丁鯛, 金魚, 大白鯊, ... (省略 997 個)
訓練方案	連結
GFLOPS	0.30
檔案大小	13.6 MB

推理變換可在 MobileNet_V2_Weights.IMAGENET1K_V1.transforms 獲取，並執行以下預處理操作：接受 PIL.Image、批處理的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。使用 interpolation=InterpolationMode.BILINEAR 將影像大小調整到 resize_size=[256]，然後進行 crop_size=[224] 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。

MobileNet_V2_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 MobileNet_V2_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	72.154
acc@5 (在 ImageNet-1K 上)	90.822
num_params	3504872
min_size	height=1, width=1
類別	丁鯛, 金魚, 大白鯊, ... (省略 997 個)
訓練方案	連結
GFLOPS	0.30
檔案大小	13.6 MB

推理變換可在 MobileNet_V2_Weights.IMAGENET1K_V2.transforms 獲取，並執行以下預處理操作：接受 PIL.Image、批處理的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。使用 interpolation=InterpolationMode.BILINEAR 將影像大小調整到 resize_size=[232]，然後進行 crop_size=[224] 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。