regnet_x_32gf

torchvision.models.regnet_x_32gf(*, weights: 可選[RegNet_X_32GF_Weights] = None, progress: 布林值 = True, **kwargs: 任意型別) → RegNet

根據 Designing Network Design Spaces 構建 RegNetX_32GF 架構。

引數：

• weights (RegNet_X_32GF_Weights, 可選) – 要使用的預訓練權重。有關更多詳細資訊和可能的值，請參閱下文的 RegNet_X_32GF_Weights。預設情況下，不使用預訓練權重。

• progress (布林值, 可選) – 如果為 True，則在 stderr 中顯示下載進度條。預設值為 True。

• **kwargs – 傳遞給 torchvision.models.regnet.RegNet 或 torchvision.models.regnet.BlockParams 類。有關這些類的更多詳細資訊，請參閱 原始碼。

class torchvision.models.RegNet_X_32GF_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。RegNet_X_32GF_Weights.DEFAULT 等同於 RegNet_X_32GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_32GF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方案，可重現論文中的結果。

acc@1（在 ImageNet-1K 上）	80.622
acc@5（在 ImageNet-1K 上）	95.248
最小尺寸	高=1，寬=1
類別	丁鯛魚、金魚、大白鯊等...（省略了 997 類）
引數數量	107811560
訓練方案	連結
GFLOPS	31.74
檔案大小	412.0 MB

推理變換可在 RegNet_X_32GF_Weights.IMAGENET1K_V1.transforms 中找到，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。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，將值首先重新縮放到 [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。

RegNet_X_32GF_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 經過修改的 新訓練方案 改進了原始論文的結果。也可透過 RegNet_X_32GF_Weights.DEFAULT 獲取。

acc@1（在 ImageNet-1K 上）	83.014
acc@5（在 ImageNet-1K 上）	96.288
最小尺寸	高=1，寬=1
類別	丁鯛魚、金魚、大白鯊等...（省略了 997 類）
引數數量	107811560
訓練方案	連結
GFLOPS	31.74
檔案大小	412.0 MB

推理變換可在 RegNet_X_32GF_Weights.IMAGENET1K_V2.transforms 中找到，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。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，將值首先重新縮放到 [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。