wide_resnet101_2

torchvision.models.wide_resnet101_2(*, weights: Optional[Wide_ResNet101_2_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

來自 Wide Residual Networks 的 Wide ResNet-101-2 模型。

該模型與 ResNet 相同，但每個塊中的瓶頸通道數是其兩倍。外部 1x1 卷積的通道數相同，例如 ResNet-101 中的最後一個塊有 2048-512-2048 個通道，而 Wide ResNet-101-2 有 2048-1024-2048 個通道。

引數：

• weights (Wide_ResNet101_2_Weights, 可選) – 要使用的預訓練權重。有關更多詳細資訊和可能的取值，請參見下方 Wide_ResNet101_2_Weights。預設情況下，不使用預訓練權重。

• progress (bool, 可選) – 如果為 True，則向 stderr 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.Wide_ResNet101_2_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。Wide_ResNet101_2_Weights.DEFAULT 等效於 Wide_ResNet101_2_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

Wide_ResNet101_2_Weights.IMAGENET1K_V1:

這些權重透過簡單的訓練方法（recipe）可以很好地復現論文結果。

acc@1 (在 ImageNet-1K 上)	78.848
acc@5 (在 ImageNet-1K 上)	94.284
最小尺寸	高=1, 寬=1
類別	丁鱥, 金魚, 大白鯊, … (省略 997 個)
引數數量	126886696
訓練方法	連結
GFLOPS	22.75
檔案大小	242.9 MB

推理變換（transforms）可透過 Wide_ResNet101_2_Weights.IMAGENET1K_V1.transforms 獲取，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。影像使用 interpolation=InterpolationMode.BILINEAR 將大小調整（resize）為 resize_size=[256]，然後進行中心裁剪（central crop），裁剪大小（crop size）為 crop_size=[224]。最後，值首先被重新縮放（rescaled）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（normalized）。

Wide_ResNet101_2_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的新訓練方法（recipe）改進了原始論文的結果。也可用作 Wide_ResNet101_2_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	82.51
acc@5 (在 ImageNet-1K 上)	96.02
最小尺寸	高=1, 寬=1
類別	丁鱥, 金魚, 大白鯊, … (省略 997 個)
引數數量	126886696
訓練方法	連結
GFLOPS	22.75
檔案大小	484.7 MB

推理變換（transforms）可透過 Wide_ResNet101_2_Weights.IMAGENET1K_V2.transforms 獲取，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。影像使用 interpolation=InterpolationMode.BILINEAR 將大小調整（resize）為 resize_size=[232]，然後進行中心裁剪（central crop），裁剪大小（crop size）為 crop_size=[224]。最後，值首先被重新縮放（rescaled）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（normalized）。