resnet50¶
- torchvision.models.resnet50(*, weights: Optional[ResNet50_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[原始碼]¶
來自 Deep Residual Learning for Image Recognition 的 ResNet-50。
注意
TorchVision 的 bottleneck 將下采樣的 stride 放在第二個 3x3 卷積層，而原論文中是放在第一個 1x1 卷積層。這個變種提高了準確率，被稱為 ResNet V1.5。
- 引數：
weights (
ResNet50_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ResNet50_Weights。預設情況下，不使用預訓練權重。progress (bool, 可選) – 如果為 True，則在標準錯誤輸出顯示下載進度條。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.ResNet50_Weights(value)[原始碼]¶
上述模型構建器接受以下值作為
weights引數。ResNet50_Weights.DEFAULT等同於ResNet50_Weights.IMAGENET1K_V2。您也可以使用字串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。ResNet50_Weights.IMAGENET1K_V1:
這些權重使用簡單的訓練方法重現了論文中的結果。
acc@1 (在 ImageNet-1K 上)
76.13
acc@5 (在 ImageNet-1K 上)
92.862
min_size
height=1, width=1
類別
丁鯛魚, 金魚, 大白鯊, … (省略 997 個)
num_params
25557032
訓練方法
GFLOPS
4.09
檔案大小
97.8 MB
推理轉換方法可從
ResNet50_Weights.IMAGENET1K_V1.transforms獲取，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)影像的torch.Tensor物件。使用interpolation=InterpolationMode.BILINEAR將影像大小調整為resize_size=[256]，然後進行中心裁剪crop_size=[224]。最後，首先將值重新縮放到[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。ResNet50_Weights.IMAGENET1K_V2:
這些權重使用 TorchVision 的新訓練方法改進了原論文中的結果。也可用作
ResNet50_Weights.DEFAULT。acc@1 (在 ImageNet-1K 上)
80.858
acc@5 (在 ImageNet-1K 上)
95.434
min_size
height=1, width=1
類別
丁鯛魚, 金魚, 大白鯊, … (省略 997 個)
num_params
25557032
訓練方法
GFLOPS
4.09
檔案大小
97.8 MB
推理轉換方法可從
ResNet50_Weights.IMAGENET1K_V2.transforms獲取，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)影像的torch.Tensor物件。使用interpolation=InterpolationMode.BILINEAR將影像大小調整為resize_size=[232]，然後進行中心裁剪crop_size=[224]。最後，首先將值重新縮放到[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。
