regnet_y_32gf

torchvision.models.regnet_y_32gf(*, weights: Optional[RegNet_Y_32GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根據Designing Network Design Spaces論文構建 RegNetY_32GF 架構。

引數:

• weights (RegNet_Y_32GF_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，請參見下文的 RegNet_Y_32GF_Weights。預設情況下，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_32GF_Weights(value)

上述模型構建器接受以下值作為 weights 引數。RegNet_Y_32GF_Weights.DEFAULT 等效於 RegNet_Y_32GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_Y_32GF_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中的結果。

acc@1 (在 ImageNet-1K 上)	80.878
acc@5 (在 ImageNet-1K 上)	95.34
最小尺寸	height=1, width=1
類別	丁鱥、金魚、大白鯊等 (省略 997 個)
引數數量	145046770
訓練方法	連結
GFLOPS	32.28
檔案大小	554.1 MB

推理變換可透過 RegNet_Y_32GF_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 crop_size=[224] 的中心裁剪。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] 進行標準化。

RegNet_Y_32GF_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。也可作為 RegNet_Y_32GF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	83.368
acc@5 (在 ImageNet-1K 上)	96.498
最小尺寸	height=1, width=1
類別	丁鱥、金魚、大白鯊等 (省略 997 個)
引數數量	145046770
訓練方法	連結
GFLOPS	32.28
檔案大小	554.1 MB

推理變換可透過 RegNet_Y_32GF_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 crop_size=[224] 的中心裁剪。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] 進行標準化。

RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_E2E_V1:

這些權重是透過在 ImageNet-1K 資料上對原始 SWAG 權重進行端到端微調，透過遷移學習獲得的。

acc@1 (在 ImageNet-1K 上)	86.838
acc@5 (在 ImageNet-1K 上)	98.362
最小尺寸	height=1, width=1
類別	丁鱥、金魚、大白鯊等 (省略 997 個)
訓練方法	連結
許可證	連結
引數數量	145046770
GFLOPS	94.83
檔案大小	554.1 MB

推理變換可透過 RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_E2E_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.BICUBIC 將影像大小調整為 resize_size=[384]，然後進行 crop_size=[384] 的中心裁剪。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] 進行標準化。

RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_LINEAR_V1:

這些權重由原始凍結的 SWAG 主幹權重以及在其之上訓練的線性分類器組成，該分類器在 ImageNet-1K 資料上進行訓練。

acc@1 (在 ImageNet-1K 上)	84.622
acc@5 (在 ImageNet-1K 上)	97.48
最小尺寸	height=1, width=1
類別	丁鱥、金魚、大白鯊等 (省略 997 個)
訓練方法	連結
許可證	連結
引數數量	145046770
GFLOPS	32.28
檔案大小	554.1 MB

推理變換可透過 RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_LINEAR_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.BICUBIC 將影像大小調整為 resize_size=[224]，然後進行 crop_size=[224] 的中心裁剪。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] 進行標準化。