mobilenet_v2

torchvision.models.quantization.mobilenet_v2(*, weights: Optional[Union[MobileNet_V2_QuantizedWeights, MobileNet_V2_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableMobileNetV2

從 MobileNetV2: Inverted Residuals and Linear Bottlenecks 建構 MobileNetV2 架構。

注意

請注意，quantize = True 會傳回具有 8 位元權重的量化模型。量化模型僅支援推論，並在 CPU 上執行。目前尚不支援 GPU 推論。

參數:

• weights (MobileNet_V2_QuantizedWeights 或 MobileNet_V2_Weights, optional) – 模型的預訓練權重。 詳情請參閱下面的 MobileNet_V2_QuantizedWeights，以及可能的值。 預設情況下，不使用任何預訓練權重。

• progress (bool, optional) – 若為 True，會在 stderr 顯示下載進度條。預設值為 True。

• quantize (bool, optional) – 若為 True，會傳回模型量化後的版本。預設值為 False。

• **kwargs – 傳遞給 torchvision.models.quantization.QuantizableMobileNetV2 基底類別的參數。 請參考 原始碼 以取得更多關於此類別的詳細資訊。

class torchvision.models.quantization.MobileNet_V2_QuantizedWeights(value)

上面的模型建構器接受以下值作為 weights 參數。 MobileNet_V2_QuantizedWeights.DEFAULT 等同於 MobileNet_V2_QuantizedWeights.IMAGENET1K_QNNPACK_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_QNNPACK_V1'。

MobileNet_V2_QuantizedWeights.IMAGENET1K_QNNPACK_V1:

這些權重是透過在下面列出的未量化權重之上進行量化感知訓練（Quantization Aware Training，eager 模式）而產生的。 也可作為 MobileNet_V2_QuantizedWeights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	71.658
acc@5 (在 ImageNet-1K 上)	90.15
num_params	3504872
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
backend	qnnpack
recipe	link
unquantized	MobileNet_V2_Weights.IMAGENET1K_V1
GIPS	0.30
File size	3.4 MB

推論轉換可在 MobileNet_V2_QuantizedWeights.IMAGENET1K_QNNPACK_V1.transforms 中找到，並執行以下預處理操作： 接受 PIL.Image、批次的 (B, C, H, W) 和單一的 (C, H, W) 圖像 torch.Tensor 物件。 圖像會使用 interpolation=InterpolationMode.BILINEAR 調整大小至 resize_size=[256]，然後進行 crop_size=[224] 的中心裁剪。 最後，這些值會先重新縮放至 [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。

class torchvision.models.MobileNet_V2_Weights(value)

上面的模型建構器接受以下值作為 weights 參數。 MobileNet_V2_Weights.DEFAULT 等同於 MobileNet_V2_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

MobileNet_V2_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，重現了論文中的結果。

acc@1 (在 ImageNet-1K 上)	71.878
acc@5 (在 ImageNet-1K 上)	90.286
num_params	3504872
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
recipe	link
GFLOPS	0.30
File size	13.6 MB

推論轉換可在 MobileNet_V2_Weights.IMAGENET1K_V1.transforms 中找到，並執行以下預處理操作： 接受 PIL.Image、批次的 (B, C, H, W) 和單一的 (C, H, W) 圖像 torch.Tensor 物件。 圖像會使用 interpolation=InterpolationMode.BILINEAR 調整大小至 resize_size=[256]，然後進行 crop_size=[224] 的中心裁剪。 最後，這些值會先重新縮放至 [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。

MobileNet_V2_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的修改版本 新的訓練方法，改進了原始論文的結果。 也可作為 MobileNet_V2_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	72.154
acc@5 (在 ImageNet-1K 上)	90.822
num_params	3504872
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
recipe	link
GFLOPS	0.30
File size	13.6 MB

推論轉換可在 MobileNet_V2_Weights.IMAGENET1K_V2.transforms 中找到，並執行以下預處理操作： 接受 PIL.Image、批次的 (B, C, H, W) 和單一的 (C, H, W) 圖像 torch.Tensor 物件。 圖像會使用 interpolation=InterpolationMode.BILINEAR 調整大小至 resize_size=[232]，然後進行 crop_size=[224] 的中心裁剪。 最後，這些值會先重新縮放至 [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。