regnet_x_400mf

torchvision.models.regnet_x_400mf(*, weights: Optional[RegNet_X_400MF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根據 Designing Network Design Spaces 構建 RegNetX_400MF 架構。

引數:

• weights (RegNet_X_400MF_Weights, 可選) – 要使用的預訓練權重。有關詳細資訊和可能的值，請參閱下面的 RegNet_X_400MF_Weights。預設情況下，不使用預訓練權重。

• progress (bool, 可選) – 如果為 True，則向 stderr 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。請參閱原始碼，瞭解有關這些類的更多詳細資訊。

class torchvision.models.RegNet_X_400MF_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。RegNet_X_400MF_Weights.DEFAULT 等同於 RegNet_X_400MF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_400MF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法復現了論文中的結果。

acc@1（在 ImageNet-1K 上）	72.834
acc@5（在 ImageNet-1K 上）	90.95
最小尺寸	height=1, width=1
類別	丁鯛魚, 金魚, 大白鯊, … (省略 997 個)
引數數量	5495976
訓練方法	連結
GFLOPS	0.41
檔案大小	21.3 MB

推理轉換可在 RegNet_X_400MF_Weights.IMAGENET1K_V1.transforms 獲取，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。影像使用 interpolation=InterpolationMode.BILINEAR 將尺寸調整為 resize_size=[256]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，值首先被重新縮放到 [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_400MF_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 新訓練方法 的修改版本，改進了原始論文的結果。也可透過 RegNet_X_400MF_Weights.DEFAULT 獲取。

acc@1（在 ImageNet-1K 上）	74.864
acc@5（在 ImageNet-1K 上）	92.322
最小尺寸	height=1, width=1
類別	丁鯛魚, 金魚, 大白鯊, … (省略 997 個)
引數數量	5495976
訓練方法	連結
GFLOPS	0.41
檔案大小	21.3 MB

推理轉換可在 RegNet_X_400MF_Weights.IMAGENET1K_V2.transforms 獲取，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。影像使用 interpolation=InterpolationMode.BILINEAR 將尺寸調整為 resize_size=[232]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，值首先被重新縮放到 [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。