vit_h_14

torchvision.models.vit_h_14(*, weights: Optional[ViT_H_14_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_h_14 架構。

引數：

• weights (ViT_H_14_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，請參見下文的 ViT_H_14_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.vision_transformer.VisionTransformer 基類的引數。有關此類別的更多詳細資訊，請參閱 原始碼。

class torchvision.models.ViT_H_14_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。ViT_H_14_Weights.DEFAULT 等效於 ViT_H_14_Weights.IMAGENET1K_SWAG_E2E_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_SWAG_E2E_V1'。

ViT_H_14_Weights.IMAGENET1K_SWAG_E2E_V1:

這些權重是透過遷移學習獲得的，透過在 ImageNet-1K 資料上對原始 SWAG 權重進行端到端微調。也可作為 ViT_H_14_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	88.552
acc@5 (在 ImageNet-1K 上)	98.694
類別	丁鯛魚, 金魚, 大白鯊, … (省略 997 個)
範例	連結
許可證	連結
引數數量	633470440
最小尺寸	高=518, 寬=518
GFLOPS	1016.72
檔案大小	2416.6 MB

推理轉換可在 ViT_H_14_Weights.IMAGENET1K_SWAG_E2E_V1.transforms 處獲得，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.BICUBIC 被縮放至 resize_size=[518]，然後進行 crop_size=[518] 的中心裁剪。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。

ViT_H_14_Weights.IMAGENET1K_SWAG_LINEAR_V1:

這些權重由原始凍結的 SWAG 主幹權重和在其基礎上在 ImageNet-1K 資料上訓練的線性分類器組成。

acc@1 (在 ImageNet-1K 上)	85.708
acc@5 (在 ImageNet-1K 上)	97.73
類別	丁鯛魚, 金魚, 大白鯊, … (省略 997 個)
範例	連結
許可證	連結
引數數量	632045800
最小尺寸	高=224, 寬=224
GFLOPS	167.29
檔案大小	2411.2 MB

推理轉換可在 ViT_H_14_Weights.IMAGENET1K_SWAG_LINEAR_V1.transforms 處獲得，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.BICUBIC 被縮放至 resize_size=[224]，然後進行 crop_size=[224] 的中心裁剪。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。