regnet_y_3_2gf

torchvision.models.regnet_y_3_2gf(*, weights: Optional[RegNet_Y_3_2GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

從 Designing Network Design Spaces 構建一個 RegNetY_3.2GF 架構。

引數:

• weights (RegNet_Y_3_2GF_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，請參見下面的RegNet_Y_3_2GF_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_Y_3_2GF_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。RegNet_Y_3_2GF_Weights.DEFAULT 等效於 RegNet_Y_3_2GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_Y_3_2GF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方案可以很好地重現論文中的結果。

acc@1（在 ImageNet-1K 上）	78.948
acc@5（在 ImageNet-1K 上）	94.576
最小尺寸	height=1, width=1
類別	tench, goldfish, great white shark, … （省略 997 個）
引數數量	19436338
訓練方案	連結
GFLOPS	3.18
檔案大小	74.6 MB

推理變換可透過 RegNet_Y_3_2GF_Weights.IMAGENET1K_V1.transforms 獲得，並執行以下預處理操作：接受 PIL.Image、批次化的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 被調整到 resize_size=[256]，接著進行中心裁剪到 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_3_2GF_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。也可用作 RegNet_Y_3_2GF_Weights.DEFAULT。

acc@1（在 ImageNet-1K 上）	81.982
acc@5（在 ImageNet-1K 上）	95.972
最小尺寸	height=1, width=1
類別	tench, goldfish, great white shark, … （省略 997 個）
引數數量	19436338
訓練方案	連結
GFLOPS	3.18
檔案大小	74.6 MB

推理變換可透過 RegNet_Y_3_2GF_Weights.IMAGENET1K_V2.transforms 獲得，並執行以下預處理操作：接受 PIL.Image、批次化的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 被調整到 resize_size=[232]，接著進行中心裁剪到 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。