wide_resnet50_2¶
- torchvision.models.wide_resnet50_2(*, weights: Optional[Wide_ResNet50_2_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[source]¶
來自 Wide Residual Networks 的 Wide ResNet-50-2 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 卷積中的通道數保持不變，例如 ResNet-50 的最後一個塊有 2048-512-2048 個通道，而 Wide ResNet-50-2 有 2048-1024-2048 個通道。
- 引數:
weights (
Wide_ResNet50_2_Weights, optional) – 要使用的預訓練權重。參見Wide_ResNet50_2_Weights以下內容瞭解更多詳細資訊和可能的值。預設情況下，不使用預訓練權重。progress (bool, optional) – 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。請參考 原始碼 瞭解有關此類的更多詳細資訊。
- class torchvision.models.Wide_ResNet50_2_Weights(value)[source]¶
上面的模型構建器接受以下值作為
weights引數。Wide_ResNet50_2_Weights.DEFAULT等同於Wide_ResNet50_2_Weights.IMAGENET1K_V2。您也可以使用字串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。Wide_ResNet50_2_Weights.IMAGENET1K_V1:
這些權重使用簡單的訓練方法，能夠與論文中的結果非常接近。
acc@1 (在 ImageNet-1K 上)
78.468
acc@5 (在 ImageNet-1K 上)
94.086
最小尺寸
高度=1, 寬度=1
類別
丁鯛魚、金魚、大白鯊等... (省略 997 個)
引數數量
68883240
訓練方法
GFLOPS
11.40
檔案大小
131.8 MB
推理轉換可在
Wide_ResNet50_2_Weights.IMAGENET1K_V1.transforms中獲得，並執行以下預處理操作：接受PIL.Image、批處理的(B, C, H, W)和單個的(C, H, W)影像torch.Tensor物件。影像使用interpolation=InterpolationMode.BILINEAR透過resize_size=[256]進行縮放，然後進行中心裁剪，大小為crop_size=[224]。最後，值首先被重新縮放至[0.0, 1.0]然後使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]進行標準化。Wide_ResNet50_2_Weights.IMAGENET1K_V2:
這些權重透過使用 TorchVision 的 新訓練方法 達到比原始論文更好的結果。也可透過
Wide_ResNet50_2_Weights.DEFAULT提供。acc@1 (在 ImageNet-1K 上)
81.602
acc@5 (在 ImageNet-1K 上)
95.758
最小尺寸
高度=1, 寬度=1
類別
丁鯛魚、金魚、大白鯊等... (省略 997 個)
引數數量
68883240
訓練方法
GFLOPS
11.40
檔案大小
263.1 MB
推理轉換可在
Wide_ResNet50_2_Weights.IMAGENET1K_V2.transforms中獲得，並執行以下預處理操作：接受PIL.Image、批處理的(B, C, H, W)和單個的(C, H, W)影像torch.Tensor物件。影像使用interpolation=InterpolationMode.BILINEAR透過resize_size=[232]進行縮放，然後進行中心裁剪，大小為crop_size=[224]。最後，值首先被重新縮放至[0.0, 1.0]然後使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]進行標準化。
