resnext101_32x8d

torchvision.models.quantization.resnext101_32x8d(*, weights: Optional[Union[ResNeXt101_32X8D_QuantizedWeights, ResNeXt101_32X8D_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableResNet

ResNeXt-101 32x8d 模型，來自論文 Aggregated Residual Transformation for Deep Neural Networks

注意

請注意，當 quantize = True 時，將返回一個帶有 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 (ResNeXt101_32X8D_QuantizedWeights 或 ResNeXt101_32X8D_Weights, 可選) – 模型的預訓練權重。有關更多詳細資訊和可能的值，請參見下方的 ResNet101_32X8D_QuantizedWeights。預設情況下，不使用預訓練權重。

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

• quantize (bool, 可選) – 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.ResNeXt101_32X8D_QuantizedWeights(value)

上述模型構建器接受以下值作為 weights 引數。ResNeXt101_32X8D_QuantizedWeights.DEFAULT 等同於 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_FBGEMM_V1'。

ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

這些權重是透過在下方列出的未量化權重之上進行訓練後量化（eager mode）生成的。

acc@1（在 ImageNet-1K 上）	78.986
acc@5（在 ImageNet-1K 上）	94.48
最小尺寸	高=1, 寬=1
類別	丁鱥, 金魚, 大白鯊, ... (省略 997 個)
後端	fbgemm
訓練方法	連結
引數數量	88791336
未量化	ResNeXt101_32X8D_Weights.IMAGENET1K_V1
GIPS	16.41
檔案大小	86.0 MB

推理轉換可透過 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms 獲取，並執行以下預處理操作：接受 PIL.Image 物件、批處理的 (B, C, H, W) 和單個的 (C, H, W) 影像 torch.Tensor 物件。使用 interpolation=InterpolationMode.BILINEAR 將影像大小調整為 resize_size=[256]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，首先將值重新縮放到 [0.0, 1.0] 範圍，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。

ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2:

這些權重是透過在下方列出的未量化權重之上進行訓練後量化（eager mode）生成的。也可作為 ResNeXt101_32X8D_QuantizedWeights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	82.574
acc@5（在 ImageNet-1K 上）	96.132
最小尺寸	高=1, 寬=1
類別	丁鱥, 金魚, 大白鯊, ... (省略 997 個)
後端	fbgemm
訓練方法	連結
引數數量	88791336
未量化	ResNeXt101_32X8D_Weights.IMAGENET1K_V2
GIPS	16.41
檔案大小	86.6 MB

推理轉換可透過 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2.transforms 獲取，並執行以下預處理操作：接受 PIL.Image 物件、批處理的 (B, C, H, W) 和單個的 (C, H, W) 影像 torch.Tensor 物件。使用 interpolation=InterpolationMode.BILINEAR 將影像大小調整為 resize_size=[232]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，首先將值重新縮放到 [0.0, 1.0] 範圍，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.ResNeXt101_32X8D_Weights(value)

上述模型構建器接受以下值作為 weights 引數。ResNeXt101_32X8D_Weights.DEFAULT 等同於 ResNeXt101_32X8D_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNeXt101_32X8D_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法可以很好地復現論文結果。

acc@1（在 ImageNet-1K 上）	79.312
acc@5（在 ImageNet-1K 上）	94.526
最小尺寸	高=1, 寬=1
類別	丁鱥, 金魚, 大白鯊, ... (省略 997 個)
引數數量	88791336
訓練方法	連結
GFLOPS	16.41
檔案大小	339.6 MB

推理轉換可透過 ResNeXt101_32X8D_Weights.IMAGENET1K_V1.transforms 獲取，並執行以下預處理操作：接受 PIL.Image 物件、批處理的 (B, C, H, W) 和單個的 (C, H, W) 影像 torch.Tensor 物件。使用 interpolation=InterpolationMode.BILINEAR 將影像大小調整為 resize_size=[256]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，首先將值重新縮放到 [0.0, 1.0] 範圍，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。

ResNeXt101_32X8D_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的新訓練方法，改進了原始論文的結果。也可作為 ResNeXt101_32X8D_Weights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	82.834
acc@5（在 ImageNet-1K 上）	96.228
最小尺寸	高=1, 寬=1
類別	丁鱥, 金魚, 大白鯊, ... (省略 997 個)
引數數量	88791336
訓練方法	連結
GFLOPS	16.41
檔案大小	339.7 MB

推理轉換可透過 ResNeXt101_32X8D_Weights.IMAGENET1K_V2.transforms 獲取，並執行以下預處理操作：接受 PIL.Image 物件、批處理的 (B, C, H, W) 和單個的 (C, H, W) 影像 torch.Tensor 物件。使用 interpolation=InterpolationMode.BILINEAR 將影像大小調整為 resize_size=[232]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，首先將值重新縮放到 [0.0, 1.0] 範圍，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。