resnet50¶

torchvision.models.quantization.resnet50(*, weights: Optional[Union[ResNet50_QuantizedWeights, ResNet50_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableResNet[source]¶

ResNet-50 模型，出自《用於影像識別的深度殘差學習》

注意

注意，quantize = True 返回帶有 8 位權重的量化模型。量化模型僅支援推理並在 CPU 上執行。尚不支援 GPU 推理。

引數:

weights (ResNet50_QuantizedWeights 或 ResNet50_Weights, optional) – 模型的預訓練權重。有關更多詳細資訊和可能的取值，請參閱下文中的 ResNet50_QuantizedWeights。預設情況下不使用預訓練權重。
progress (bool, optional) – 如果為 True，則向標準錯誤輸出顯示下載進度條。預設為 True。
quantize (bool, optional) – 如果為 True，則返回模型的量化版本。預設為 False。
**kwargs – 傳遞給 torchvision.models.quantization.QuantizableResNet 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.quantization.ResNet50_QuantizedWeights(value)[source]¶

上面的模型構建器接受以下值作為 weights 引數。ResNet50_QuantizedWeights.DEFAULT 等效於 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_FBGEMM_V1'。

ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

這些權重是在下面列出的未量化權重的基礎上，透過訓練後量化 (eager mode) 生成的。

acc@1 (在 ImageNet-1K 上)	75.92
acc@5 (在 ImageNet-1K 上)	92.814
最小尺寸	高度=1，寬度=1
類別	丁鱥, 金魚, 大白鯊, ... (省略 997 個)
後端	fbgemm
訓練配方	連結
引數數量	25557032
未量化	ResNet50_Weights.IMAGENET1K_V1
GIPS	4.09
檔案大小	24.8 MB

推理轉換可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms 獲取，並執行以下預處理操作：接受 PIL.Image、批次 (B, C, H, W) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 重置大小為 resize_size=[256]，然後進行中心裁剪，裁剪大小為 crop_size=[224]。最後，值首先被重新縮放到 [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。

ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2:

這些權重是在下面列出的未量化權重的基礎上，透過訓練後量化 (eager mode) 生成的。也可透過 ResNet50_QuantizedWeights.DEFAULT 獲取。

acc@1 (在 ImageNet-1K 上)	80.282
acc@5 (在 ImageNet-1K 上)	94.976
最小尺寸	高度=1，寬度=1
類別	丁鱥, 金魚, 大白鯊, ... (省略 997 個)
後端	fbgemm
訓練配方	連結
引數數量	25557032
未量化	ResNet50_Weights.IMAGENET1K_V2
GIPS	4.09
檔案大小	25.0 MB

推理轉換可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2.transforms 獲取，並執行以下預處理操作：接受 PIL.Image、批次 (B, C, H, W) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 重置大小為 resize_size=[232]，然後進行中心裁剪，裁剪大小為 crop_size=[224]。最後，值首先被重新縮放到 [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。

class torchvision.models.ResNet50_Weights(value)[source]

上面的模型構建器接受以下值作為 weights 引數。ResNet50_Weights.DEFAULT 等效於 ResNet50_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNet50_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練配方，與論文結果非常接近。

acc@1 (在 ImageNet-1K 上)	76.13
acc@5 (在 ImageNet-1K 上)	92.862
最小尺寸	高度=1，寬度=1
類別	丁鱥, 金魚, 大白鯊, ... (省略 997 個)
引數數量	25557032
訓練配方	連結
GFLOPS	4.09
檔案大小	97.8 MB

推理轉換可在 ResNet50_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) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 重置大小為 resize_size=[256]，然後進行中心裁剪，裁剪大小為 crop_size=[224]。最後，值首先被重新縮放到 [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。

ResNet50_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的新訓練配方改進了原始論文的結果。也可透過 ResNet50_Weights.DEFAULT 獲取。

acc@1 (在 ImageNet-1K 上)	80.858
acc@5 (在 ImageNet-1K 上)	95.434
最小尺寸	高度=1，寬度=1
類別	丁鱥, 金魚, 大白鯊, ... (省略 997 個)
引數數量	25557032
訓練配方	連結
GFLOPS	4.09
檔案大小	97.8 MB

推理轉換可在 ResNet50_Weights.IMAGENET1K_V2.transforms 獲取，並執行以下預處理操作：接受 PIL.Image、批次 (B, C, H, W) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 重置大小為 resize_size=[232]，然後進行中心裁剪，裁剪大小為 crop_size=[224]。最後，值首先被重新縮放到 [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。

resnet50¶

文件

教程

資源