vit_b_32

torchvision.models.vit_b_32(*, weights: Optional[ViT_B_32_Weights] = None, progress: bool = True, **kwargs: Any) → VisionTransformer

根據 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 構建 vit_b_32 架構。

引數：

• weights (ViT_B_32_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 ViT_B_32_Weights。預設不使用預訓練權重。

• progress (bool, 可選) – 如果為 True，則在 stderr 顯示下載進度條。預設為 True。

• **kwargs – 傳遞給 torchvision.models.vision_transformer.VisionTransformer 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.ViT_B_32_Weights(value)

上述模型構建器接受以下值作為 weights 引數。ViT_B_32_Weights.DEFAULT 等同於 ViT_B_32_Weights.IMAGENET1K_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ViT_B_32_Weights.IMAGENET1K_V1:

這些權重是使用 DeIT 訓練配方的修改版本從頭訓練的。也可作為 ViT_B_32_Weights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	75.912
acc@5（在 ImageNet-1K 上）	92.466
類別	丁鱖魚, 金魚, 大白鯊, ... (省略 997 個)
num_params	88224232
min_size	高度=224, 寬度=224
配方	連結
GFLOPS	4.41
檔案大小	336.6 MB

推理轉換可透過 ViT_B_32_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) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像使用 interpolation=InterpolationMode.BILINEAR 重塑大小到 resize_size=[256]，然後進行 crop_size=[224] 的中心裁剪。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] 進行歸一化。