shufflenet_v2_x2_0¶
- torchvision.models.quantization.shufflenet_v2_x2_0(*, weights: Optional[Union[ShuffleNet_V2_X2_0_QuantizedWeights, ShuffleNet_V2_X2_0_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) QuantizableShuffleNetV2[源]¶
構建一個輸出通道數為 2.0 倍的 ShuffleNetV2 模型，詳情請參閱 ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design。
注意
請注意，當
quantize = True時，將返回一個具有 8 位權重的量化模型。量化模型僅支援推理，並在 CPU 上執行。目前尚不支援 GPU 推理。- 引數:
weights （
ShuffleNet_V2_X2_0_QuantizedWeights或ShuffleNet_V2_X2_0_Weights，可選）– 模型的預訓練權重。有關更多詳細資訊和可能的值，請參閱下方的ShuffleNet_V2_X2_0_QuantizedWeights。預設情況下不使用預訓練權重。progress （布林值，可選）– 如果為 True，則向標準錯誤輸出顯示下載進度條。預設為 True。
quantize （布林值，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.ShuffleNet_V2_X2_0_QuantizedWeights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.ShuffleNet_V2_X2_0_QuantizedWeights(value)[源]¶
上面的模型構建器接受以下值作為
weights引數。ShuffleNet_V2_X2_0_QuantizedWeights.DEFAULT等同於ShuffleNet_V2_X2_0_QuantizedWeights.IMAGENET1K_FBGEMM_V1。您也可以使用字串，例如weights='DEFAULT'或weights='IMAGENET1K_FBGEMM_V1'。ShuffleNet_V2_X2_0_QuantizedWeights.IMAGENET1K_FBGEMM_V1:
這些權重是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。也可透過
ShuffleNet_V2_X2_0_QuantizedWeights.DEFAULT訪問。acc@1（在 ImageNet-1K 上）
75.354
acc@5（在 ImageNet-1K 上）
92.488
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
訓練方法
引數數量
7393996
未量化
ShuffleNet_V2_X2_0_Weights.IMAGENET1K_V1
GIPS
0.58
檔案大小
7.5 MB
推理變換可在
ShuffleNet_V2_X2_0_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms處獲取，並執行以下預處理操作：接受PIL.Image物件、批次(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=[232]，然後進行中心裁剪，裁剪尺寸為crop_size=[224]。最後，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.ShuffleNet_V2_X2_0_Weights(value)[源]
上面的模型構建器接受以下值作為
weights引數。ShuffleNet_V2_X2_0_Weights.DEFAULT等同於ShuffleNet_V2_X2_0_Weights.IMAGENET1K_V1。您也可以使用字串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。ShuffleNet_V2_X2_0_Weights.IMAGENET1K_V1:
這些權重是使用 TorchVision 的新訓練方法從頭開始訓練的。也可透過
ShuffleNet_V2_X2_0_Weights.DEFAULT訪問。acc@1（在 ImageNet-1K 上）
76.23
acc@5（在 ImageNet-1K 上）
93.006
最小尺寸
高度=1，寬度=1
類別
丁鱥，金魚，大白鯊，……（省略 997 個）
訓練方法
引數數量
7393996
GFLOPS
0.58
檔案大小
28.4 MB
推理變換可在
ShuffleNet_V2_X2_0_Weights.IMAGENET1K_V1.transforms處獲取，並執行以下預處理操作：接受PIL.Image物件、批次(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=[232]，然後進行中心裁剪，裁剪尺寸為crop_size=[224]。最後，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。
