vit_l_16

torchvision.models.vit_l_16(*, weights: Optional[ViT_L_16_Weights] = None, progress: bool = True, **kwargs: Any) → VisionTransformer

根據一張影像值16x16個詞：大規模影像識別的Transformer構建 vit_l_16 架構。

引數:

• weights (ViT_L_16_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，請參見下面的ViT_L_16_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。請參考原始碼瞭解此類的更多詳細資訊。

class torchvision.models.ViT_L_16_Weights(value)

上述模型構建器接受以下值作為 weights 引數。ViT_L_16_Weights.DEFAULT 等同於 ViT_L_16_Weights.IMAGENET1K_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ViT_L_16_Weights.IMAGENET1K_V1:

這些權重是使用 TorchVision 修改後的新訓練配方從零開始訓練的。也可作為 ViT_L_16_Weights.DEFAULT 使用。

acc@1（在 ImageNet-1K 上）	79.662
acc@5（在 ImageNet-1K 上）	94.638
類別	丁鯛、金魚、大白鯊…（省略997個）
引數數量	304326632
最小尺寸	height=224, width=224
配方	連結
GFLOPS	61.55
檔案大小	1161.0 MB

推理轉換可在 ViT_L_16_Weights.IMAGENET1K_V1.transforms 中找到，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。使用 interpolation=InterpolationMode.BILINEAR 將影像大小調整為 resize_size=[242]，然後進行中心裁剪，大小為 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] 進行歸一化。

ViT_L_16_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。

acc@1（在 ImageNet-1K 上）	88.064
acc@5（在 ImageNet-1K 上）	98.512
類別	丁鯛、金魚、大白鯊…（省略997個）
配方	連結
許可證	連結
引數數量	305174504
最小尺寸	height=512, width=512
GFLOPS	361.99
檔案大小	1164.3 MB

推理轉換可在 ViT_L_16_Weights.IMAGENET1K_SWAG_E2E_V1.transforms 中找到，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。使用 interpolation=InterpolationMode.BICUBIC 將影像大小調整為 resize_size=[512]，然後進行中心裁剪，大小為 crop_size=[512]。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] 進行歸一化。

ViT_L_16_Weights.IMAGENET1K_SWAG_LINEAR_V1:

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

acc@1（在 ImageNet-1K 上）	85.146
acc@5（在 ImageNet-1K 上）	97.422
類別	丁鯛、金魚、大白鯊…（省略997個）
配方	連結
許可證	連結
引數數量	304326632
最小尺寸	height=224, width=224
GFLOPS	61.55
檔案大小	1161.0 MB

推理轉換可在 ViT_L_16_Weights.IMAGENET1K_SWAG_LINEAR_V1.transforms 中找到，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。使用 interpolation=InterpolationMode.BICUBIC 將影像大小調整為 resize_size=[224]，然後進行中心裁剪，大小為 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] 進行歸一化。