regnet_x_800mf

torchvision.models.regnet_x_800mf(*, weights: Optional[RegNet_X_800MF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根據 Designing Network Design Spaces 構建 RegNetX_800MF 架構。

引數:

• weights (RegNet_X_800MF_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，請參閱下面的 RegNet_X_800MF_Weights。預設不使用預訓練權重。

• progress (bool, 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 類的引數。有關類的更多詳細資訊，請參閱原始碼。

class torchvision.models.RegNet_X_800MF_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。RegNet_X_800MF_Weights.DEFAULT 等同於 RegNet_X_800MF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_800MF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，可以很好地復現論文結果。

acc@1 (在 ImageNet-1K 上)	75.212
acc@5 (在 ImageNet-1K 上)	92.348
最小尺寸	高度=1，寬度=1
類別	丁鯛, 金魚, 大白鯊, ... (省略 997 個)
引數數量	7259656
訓練方法	連結
GFLOPS	0.80
檔案大小	27.9 MB

推理變換可從 RegNet_X_800MF_Weights.IMAGENET1K_V1.transforms 獲得，並執行以下預處理操作：接受 PIL.Image 物件，批次的 (B, C, H, W) 和單個的 (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_800MF_Weights.IMAGENET1K_V2:

這些權重使用 TorchVision 新訓練方法 的修改版本，改進了原始論文的結果。也可作為 RegNet_X_800MF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	77.522
acc@5 (在 ImageNet-1K 上)	93.826
最小尺寸	高度=1，寬度=1
類別	丁鯛, 金魚, 大白鯊, ... (省略 997 個)
引數數量	7259656
訓練方法	連結
GFLOPS	0.80
檔案大小	27.9 MB

推理變換可從 RegNet_X_800MF_Weights.IMAGENET1K_V2.transforms 獲得，並執行以下預處理操作：接受 PIL.Image 物件，批次的 (B, C, H, W) 和單個的 (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。