regnet_y_8gf

torchvision.models.regnet_y_8gf(*, weights: Optional[RegNet_Y_8GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

根據 Designing Network Design Spaces 構建 RegNetY_8GF 架構。

引數:

• weights (RegNet_Y_8GF_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_8GF_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_8GF_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。RegNet_Y_8GF_Weights.DEFAULT 等同於 RegNet_Y_8GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_Y_8GF_Weights.IMAGENET1K_V1:

這些權重透過簡單的訓練方法重現了論文的結果。

acc@1 (在 ImageNet-1K 上)	80.032
acc@5 (在 ImageNet-1K 上)	95.048
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	39381472
訓練方法 (recipe)	連結
GFLOPS	8.47
檔案大小	150.7 MB

推理轉換可從 RegNet_Y_8GF_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) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 調整大小到 resize_size=[256]，然後進行中心裁剪到 crop_size=[224]。最後，值首先重新縮放到 [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_8GF_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。也可用作 RegNet_Y_8GF_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	82.828
acc@5 (在 ImageNet-1K 上)	96.33
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	39381472
訓練方法 (recipe)	連結
GFLOPS	8.47
檔案大小	150.7 MB

推理轉換可從 RegNet_Y_8GF_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) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 調整大小到 resize_size=[232]，然後進行中心裁剪到 crop_size=[224]。最後，值首先重新縮放到 [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。