resnet50

torchvision.models.quantization.resnet50(*, weights: Optional[Union[ResNet50_QuantizedWeights, ResNet50_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableResNet

ResNet-50 模型，來自用於影像辨識的深度殘差學習

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。GPU 推論尚不支援。

參數:

• weights (ResNet50_QuantizedWeights 或 ResNet50_Weights, 選用) – 模型的預訓練權重。請參閱下方的 ResNet50_QuantizedWeights 以取得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, 選用) – 如果為 True，則在 stderr 上顯示下載進度列。預設值為 True。

• quantize (bool, 選用) – 如果為 True，則傳回模型的量化版本。預設值為 False。

• **kwargs – 傳遞至 torchvision.models.quantization.QuantizableResNet 基底類別的參數。有關此類別的更多詳細資訊，請參閱原始碼。

class torchvision.models.quantization.ResNet50_QuantizedWeights(value)

上面的模型建構器接受以下值作為 weights 參數。ResNet50_QuantizedWeights.DEFAULT 等同於 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_FBGEMM_V1'。

ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

這些權重是透過在下面列出的未量化權重之上執行「訓練後量化」（eager 模式）而產生的。

acc@1 (在 ImageNet-1K 上)	75.92
acc@5 (在 ImageNet-1K 上)	92.814
min_size	height=1, width=1
類別	tench, goldfish, great white shark, … (省略 997 個)
後端	fbgemm
配方	連結
num_params	25557032
未量化	ResNet50_Weights.IMAGENET1K_V1
GIPS	4.09
檔案大小	24.8 MB

推論轉換可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_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) 和單一 (C, H, W) 影像 torch.Tensor 物件。影像會使用 interpolation=InterpolationMode.BILINEAR 調整大小為 resize_size=[256]，然後進行中心裁剪 crop_size=[224]。最後，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] 進行正規化。

ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2:

這些權重是透過在下面列出的未量化權重之上執行「訓練後量化」（eager 模式）而產生的。也可作為 ResNet50_QuantizedWeights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	80.282
acc@5 (在 ImageNet-1K 上)	94.976
min_size	height=1, width=1
類別	tench, goldfish, great white shark, … (省略 997 個)
後端	fbgemm
配方	連結
num_params	25557032
未量化	ResNet50_Weights.IMAGENET1K_V2
GIPS	4.09
檔案大小	25.0 MB

推論轉換可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_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) 和單一 (C, H, W) 影像 torch.Tensor 物件。影像會使用 interpolation=InterpolationMode.BILINEAR 調整大小為 resize_size=[232]，然後進行中心裁剪 crop_size=[224]。最後，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] 進行正規化。

class torchvision.models.ResNet50_Weights(value)

上面的模型建構器接受以下值作為 weights 參數。ResNet50_Weights.DEFAULT 等同於 ResNet50_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNet50_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練配方，緊密重現了論文的結果。

acc@1 (在 ImageNet-1K 上)	76.13
acc@5 (在 ImageNet-1K 上)	92.862
min_size	height=1, width=1
類別	tench, goldfish, great white shark, … (省略 997 個)
num_params	25557032
配方	連結
GFLOPS	4.09
檔案大小	97.8 MB

推論轉換可在 ResNet50_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) 和單一 (C, H, W) 影像 torch.Tensor 物件。影像會使用 interpolation=InterpolationMode.BILINEAR 調整大小為 resize_size=[256]，然後進行中心裁剪 crop_size=[224]。最後，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] 進行正規化。

ResNet50_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的新訓練配方，改進了原始論文的結果。也可作為 ResNet50_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	80.858
acc@5 (在 ImageNet-1K 上)	95.434
min_size	height=1, width=1
類別	tench, goldfish, great white shark, … (省略 997 個)
num_params	25557032
配方	連結
GFLOPS	4.09
檔案大小	97.8 MB

推論轉換可在 ResNet50_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) 和單一 (C, H, W) 影像 torch.Tensor 物件。影像會使用 interpolation=InterpolationMode.BILINEAR 調整大小為 resize_size=[232]，然後進行中心裁剪 crop_size=[224]。最後，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] 進行正規化。