regnet_x_8gf

torchvision.models.regnet_x_8gf(*, weights: Optional[RegNet_X_8GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根據《Designing Network Design Spaces》構建 RegNetX_8GF 架構。

引數：

• weights (RegNet_X_8GF_Weights，可選) – 要使用的預訓練權重。請參閱下面的 RegNet_X_8GF_Weights 以獲取更多詳細資訊和可能的值。預設情況下，不使用預訓練權重。

• progress (bool，可選) – 如果為 True，則在 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_8GF_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。RegNet_X_8GF_Weights.DEFAULT 等效於 RegNet_X_8GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_8GF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方案，與論文結果非常接近。

acc@1 (在 ImageNet-1K 上)	79.344
acc@5 (在 ImageNet-1K 上)	94.686
最小尺寸	高=1，寬=1
類別	丁鱖魚、金魚、大白鯊等... (省略 997 個)
引數數量	39572648
訓練方案	連結
GFLOPS	8.00
檔案大小	151.5 MB

推理轉換可在 RegNet_X_8GF_Weights.IMAGENET1K_V1.transforms 中獲得，並執行以下預處理操作：接受 PIL.Image、批次 (B, C, H, W) 和單個 (C, H, W) 影像的 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 縮放到 resize_size=[256]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，值首先重新縮放到 [0.0, 1.0] 範圍，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_8GF_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 新訓練方案的修改版本，改進了原始論文的結果。也可透過 RegNet_X_8GF_Weights.DEFAULT 獲取。

acc@1 (在 ImageNet-1K 上)	81.682
acc@5 (在 ImageNet-1K 上)	95.678
最小尺寸	高=1，寬=1
類別	丁鱖魚、金魚、大白鯊等... (省略 997 個)
引數數量	39572648
訓練方案	連結
GFLOPS	8.00
檔案大小	151.5 MB

推理轉換可在 RegNet_X_8GF_Weights.IMAGENET1K_V2.transforms 中獲得，並執行以下預處理操作：接受 PIL.Image、批次 (B, C, H, W) 和單個 (C, H, W) 影像的 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 縮放到 resize_size=[232]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，值首先重新縮放到 [0.0, 1.0] 範圍，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。