resnext50_32x4d

torchvision.models.resnext50_32x4d(*, weights: Optional[ResNeXt50_32X4D_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

來自 深度神經網路的聚合殘差變換 的 ResNeXt-50 32x4d 模型。

引數:

• weights (ResNeXt50_32X4D_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 ResNext50_32X4D_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.ResNeXt50_32X4D_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。ResNeXt50_32X4D_Weights.DEFAULT 等同於 ResNeXt50_32X4D_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNeXt50_32X4D_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，可以很好地重現論文中的結果。

acc@1 (在 ImageNet-1K 上)	77.618
acc@5 (在 ImageNet-1K 上)	93.698
最小尺寸	高=1, 寬=1
類別	丁鱖, 金魚, 大白鯊, … (省略 997 項)
引數數量	25028904
訓練方法	連結
GFLOPS	4.23
檔案大小	95.8 MB

推理轉換可在 ResNeXt50_32X4D_Weights.IMAGENET1K_V1.transforms 中找到，並執行以下預處理操作：接受 PIL.Image、批次 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。使用 interpolation=InterpolationMode.BILINEAR 將影像大小調整到 resize_size=[256]，然後進行 crop_size=[224] 的中心裁剪。最後，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] 進行歸一化。

ResNeXt50_32X4D_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的新訓練方法，改進了原始論文的結果。也可用作 ResNeXt50_32X4D_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	81.198
acc@5 (在 ImageNet-1K 上)	95.34
最小尺寸	高=1, 寬=1
類別	丁鱖, 金魚, 大白鯊, … (省略 997 項)
引數數量	25028904
訓練方法	連結
GFLOPS	4.23
檔案大小	95.8 MB

推理轉換可在 ResNeXt50_32X4D_Weights.IMAGENET1K_V2.transforms 中找到，並執行以下預處理操作：接受 PIL.Image、批次 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。使用 interpolation=InterpolationMode.BILINEAR 將影像大小調整到 resize_size=[232]，然後進行 crop_size=[224] 的中心裁剪。最後，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] 進行歸一化。