regnet_x_3_2gf

torchvision.models.regnet_x_3_2gf(*, weights: Optional[RegNet_X_3_2GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根據 Designing Network Design Spaces 構建 RegNetX_3.2GF 架構。

引數：

• weights (RegNet_X_3_2GF_Weights, optional) – 要使用的預訓練權重。有關更多詳細資訊和可能的值，請參閱下方的 RegNet_X_3_2GF_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。有關這些類的更多詳細資訊，請參閱原始碼。

class torchvision.models.RegNet_X_3_2GF_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。RegNet_X_3_2GF_Weights.DEFAULT 等同於 RegNet_X_3_2GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_3_2GF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方案，與論文中的結果非常接近。

acc@1（在 ImageNet-1K 上）	78.364
acc@5（在 ImageNet-1K 上）	93.992
最小尺寸	高度=1，寬度=1
類別	丁鱖、金魚、大白鯊，…（省略 997 個）
引數數量	15296552
方案	連結
GFLOPS	3.18
檔案大小	58.8 MB

推理轉換可透過 RegNet_X_3_2GF_Weights.IMAGENET1K_V1.transforms 獲得，並執行以下預處理操作：接受 PIL.Image、批處理的 (B, C, H, W) 和單個 (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 crop_size=[224]。最後，先將值重新縮放到 [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_3_2GF_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 新訓練方案 的修改版本，在原始論文的結果基礎上有所改進。也可用作 RegNet_X_3_2GF_Weights.DEFAULT。

acc@1（在 ImageNet-1K 上）	81.196
acc@5（在 ImageNet-1K 上）	95.43
最小尺寸	高度=1，寬度=1
類別	丁鱖、金魚、大白鯊，…（省略 997 個）
引數數量	15296552
方案	連結
GFLOPS	3.18
檔案大小	58.8 MB

推理轉換可透過 RegNet_X_3_2GF_Weights.IMAGENET1K_V2.transforms 獲得，並執行以下預處理操作：接受 PIL.Image、批處理的 (B, C, H, W) 和單個 (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 crop_size=[224]。最後，先將值重新縮放到 [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。