regnet_x_1_6gf

torchvision.models.regnet_x_1_6gf(*, weights: Optional[RegNet_X_1_6GF_Weights] = None, progress: bool =True, **kwargs: Any) → RegNet

構建一個 RegNetX_1.6GF 架構，出自論文 Designing Network Design Spaces。

引數：

• weights (RegNet_X_1_6GF_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 RegNet_X_1_6GF_Weights。預設情況下，不使用預訓練權重。

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

• **kwargs – 傳遞給 torchvision.models.regnet.RegNet 或 torchvision.models.regnet.BlockParams 類的引數。有關類的更多詳細資訊，請參閱原始碼。

class torchvision.models.RegNet_X_1_6GF_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。RegNet_X_1_6GF_Weights.DEFAULT 等效於 RegNet_X_1_6GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_1_6GF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方案，能很好地復現論文中的結果。

acc@1 (在 ImageNet-1K 上)	77.04
acc@5 (在 ImageNet-1K 上)	93.44
最小尺寸	高=1, 寬=1
類別	丁鱖, 金魚, 大白鯊, … (省略 997 項)
引數數量	9190136
訓練方案	連結
GFLOPS	1.60
檔案大小	35.3 MB

推理變換可在 RegNet_X_1_6GF_Weights.IMAGENET1K_V1.transforms 找到，並執行以下預處理操作：接受 PIL.Image 物件、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 重塑到 resize_size=[256]，然後進行中心裁剪到 crop_size=[224]。最後，值首先縮放到 [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。

RegNet_X_1_6GF_Weights.IMAGENET1K_V2:

這些權重使用 TorchVision 改進版的新訓練方案，在原始論文結果的基礎上有所提升。也可用作 RegNet_X_1_6GF_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	79.668
acc@5 (在 ImageNet-1K 上)	94.922
最小尺寸	高=1, 寬=1
類別	丁鱖, 金魚, 大白鯊, … (省略 997 項)
引數數量	9190136
訓練方案	連結
GFLOPS	1.60
檔案大小	35.3 MB

推理變換可在 RegNet_X_1_6GF_Weights.IMAGENET1K_V2.transforms 找到，並執行以下預處理操作：接受 PIL.Image 物件、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 重塑到 resize_size=[232]，然後進行中心裁剪到 crop_size=[224]。最後，值首先縮放到 [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。