resnet101

torchvision.models.resnet101(*, weights: Optional[ResNet101_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

來自 Deep Residual Learning for Image Recognition 論文的 ResNet-101。

注意

TorchVision 的瓶頸層將下采樣的步長（stride）放在第二個 3x3 卷積層，而原始論文將其放在第一個 1x1 卷積層。這個變體提高了準確性，被稱為 ResNet V1.5。

引數：

• weights (ResNet101_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，請參閱下文的 ResNet101_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.resnet.ResNet 基類的引數。有關此類的更多詳細資訊，請參閱原始碼。

class torchvision.models.ResNet101_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。ResNet101_Weights.DEFAULT 等同於 ResNet101_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNet101_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練配方，結果與論文結果非常接近。

acc@1 (在 ImageNet-1K 上)	77.374
acc@5 (在 ImageNet-1K 上)	93.546
最小尺寸	高度=1，寬度=1
類別	丁鱖, 金魚, 大白鯊, ... (省略 997 個)
引數數量	44549160
配方	連結
GFLOPS	7.80
檔案大小	170.5 MB

推理變換可在 ResNet101_Weights.IMAGENET1K_V1.transforms 獲得，並執行以下預處理操作：接受 PIL.Image 物件、批次 (B, C, H, W) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 方法調整大小至 resize_size=[256]，然後進行中心裁剪，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。

ResNet101_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的新訓練配方改進了原始論文的結果。也可作為 ResNet101_Weights.DEFAULT 獲得。

acc@1 (在 ImageNet-1K 上)	81.886
acc@5 (在 ImageNet-1K 上)	95.78
最小尺寸	高度=1，寬度=1
類別	丁鱖, 金魚, 大白鯊, ... (省略 997 個)
引數數量	44549160
配方	連結
GFLOPS	7.80
檔案大小	170.5 MB

推理變換可在 ResNet101_Weights.IMAGENET1K_V2.transforms 獲得，並執行以下預處理操作：接受 PIL.Image 物件、批次 (B, C, H, W) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 方法調整大小至 resize_size=[232]，然後進行中心裁剪，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。