regnet_y_1_6gf

torchvision.models.regnet_y_1_6gf(*, weights: Optional[RegNet_Y_1_6GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根據《Designing Network Design Spaces》構建一個 RegNetY_1.6GF 架構。

引數：

• weights （RegNet_Y_1_6GF_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_Y_1_6GF_Weights。預設情況下，不使用預訓練權重。

• progress （bool，可選）– 如果為 True，則向標準錯誤輸出顯示下載進度條。預設值為 True。

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

class torchvision.models.RegNet_Y_1_6GF_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。RegNet_Y_1_6GF_Weights.DEFAULT 等同於 RegNet_Y_1_6GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_Y_1_6GF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，與論文中的結果非常接近。

acc@1（在 ImageNet-1K 上）	77.95
acc@5（在 ImageNet-1K 上）	93.966
最小尺寸	高度=1, 寬度=1
類別	丁鱥, 金魚, 大白鯊, … （省略 997 個）
引數數量	11202430
訓練方法	連結
GFLOPS	1.61
檔案大小	43.2 MB

推理變換可在 RegNet_Y_1_6GF_Weights.IMAGENET1K_V1.transforms 處獲得，並執行以下預處理操作：接受 PIL.Image、批處理 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 將大小調整為 resize_size=[256]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，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_Y_1_6GF_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_Y_1_6GF_Weights.DEFAULT 獲取。

acc@1（在 ImageNet-1K 上）	80.876
acc@5（在 ImageNet-1K 上）	95.444
最小尺寸	高度=1, 寬度=1
類別	丁鱥, 金魚, 大白鯊, … （省略 997 個）
引數數量	11202430
訓練方法	連結
GFLOPS	1.61
檔案大小	43.2 MB

推理變換可在 RegNet_Y_1_6GF_Weights.IMAGENET1K_V2.transforms 處獲得，並執行以下預處理操作：接受 PIL.Image、批處理 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 將大小調整為 resize_size=[232]，然後進行中心裁剪，裁剪尺寸為 crop_size=[224]。最後，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。