efficientnet_b1

torchvision.models.efficientnet_b1(*, weights: Optional[EfficientNet_B1_Weights] = None, progress: bool = True, **kwargs: Any) → EfficientNet

來自 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 論文的 EfficientNet B1 模型架構。

參數:

• weights (EfficientNet_B1_Weights, optional) – 要使用的預先訓練權重。請參閱下方的 EfficientNet_B1_Weights 以取得更多詳細資訊，以及可能的值。預設情況下，不使用預先訓練的權重。

• progress (bool, optional) – 如果為 True，則會將下載進度條顯示在 stderr。預設值為 True。

• **kwargs – 傳遞至 torchvision.models.efficientnet.EfficientNet 基底類別的參數。 請參閱 原始碼 以取得關於此類別的更多詳細資訊。

class torchvision.models.EfficientNet_B1_Weights(value)

上方的模型建構器接受下列數值作為 weights 參數。 EfficientNet_B1_Weights.DEFAULT 等同於 EfficientNet_B1_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

EfficientNet_B1_Weights.IMAGENET1K_V1:

這些權重是從原始論文移植過來的。

acc@1 (在 ImageNet-1K 上)	78.642
acc@5 (在 ImageNet-1K 上)	94.186
種類	丁鱥、金魚、大白鯊、… (省略 997 個)
min_size	height=1, width=1
recipe	連結
num_params	7794184
GFLOPS	0.69
檔案大小	30.1 MB

推論轉換可在 EfficientNet_B1_Weights.IMAGENET1K_V1.transforms 中取得，並執行以下預處理操作：接受 PIL.Image、批次 (B, C, H, W) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像會使用 interpolation=InterpolationMode.BICUBIC 調整大小至 resize_size=[256]，然後進行 crop_size=[240] 的中心裁剪。最後，這些值會先重新縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行正規化。

EfficientNet_B1_Weights.IMAGENET1K_V2:

這些權重透過使用修改版的 TorchVision 新的訓練方法，改進了原始論文的結果。也可作為 EfficientNet_B1_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	79.838
acc@5 (在 ImageNet-1K 上)	94.934
種類	丁鱥、金魚、大白鯊、… (省略 997 個)
min_size	height=1, width=1
recipe	連結
num_params	7794184
GFLOPS	0.69
檔案大小	30.1 MB

推論轉換可在 EfficientNet_B1_Weights.IMAGENET1K_V2.transforms 中取得，並執行以下預處理操作：接受 PIL.Image、批次 (B, C, H, W) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像會使用 interpolation=InterpolationMode.BILINEAR 調整大小至 resize_size=[255]，然後進行 crop_size=[240] 的中心裁剪。最後，這些值會先重新縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行正規化。