resnext101_32x8d

torchvision.models.quantization.resnext101_32x8d(*, weights: Optional[Union[ResNeXt101_32X8D_QuantizedWeights, ResNeXt101_32X8D_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableResNet

來自 用於深度神經網路的聚合殘差轉換 的 ResNeXt-101 32x8d 模型

注意

請注意，quantize = True 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 (ResNeXt101_32X8D_QuantizedWeights 或 ResNeXt101_32X8D_Weights, optional) – 模型的預先訓練權重。 請參閱下面的 ResNet101_32X8D_QuantizedWeights，以取得更多詳細資料和可能的值。 預設情況下，不使用預先訓練的權重。

• progress (bool, optional) – 如果為 True，則會顯示下載到 stderr 的進度列。 預設值為 True。

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

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

class torchvision.models.quantization.ResNeXt101_32X8D_QuantizedWeights(value)

上述的模型建構器接受以下值作為 weights 參數。ResNeXt101_32X8D_QuantizedWeights.DEFAULT 等同於 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_FBGEMM_V1'。

ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

這些權重是通過對下方列出的未量化權重執行訓練後量化（eager mode）產生的。

acc@1 (在 ImageNet-1K 上)	78.986
acc@5 (在 ImageNet-1K 上)	94.48
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
backend	fbgemm
recipe	link
num_params	88791336
unquantized	ResNeXt101_32X8D_Weights.IMAGENET1K_V1
GIPS	16.41
檔案大小	86.0 MB

推理轉換可在 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms 中找到，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 調整大小到 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。

ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2:

這些權重是通過對下方列出的未量化權重執行訓練後量化（eager mode）產生的。也可作為 ResNeXt101_32X8D_QuantizedWeights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	82.574
acc@5 (在 ImageNet-1K 上)	96.132
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
backend	fbgemm
recipe	link
num_params	88791336
unquantized	ResNeXt101_32X8D_Weights.IMAGENET1K_V2
GIPS	16.41
檔案大小	86.6 MB

推理轉換可在 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2.transforms 中找到，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 調整大小到 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。

class torchvision.models.ResNeXt101_32X8D_Weights(value)

上述的模型建構器接受以下值作為 weights 參數。ResNeXt101_32X8D_Weights.DEFAULT 等同於 ResNeXt101_32X8D_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNeXt101_32X8D_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，可以重現論文中的結果。

acc@1 (在 ImageNet-1K 上)	79.312
acc@5 (在 ImageNet-1K 上)	94.526
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	88791336
recipe	link
GFLOPS	16.41
檔案大小	339.6 MB

推理轉換可在 ResNeXt101_32X8D_Weights.IMAGENET1K_V1.transforms 中找到，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 調整大小到 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。

ResNeXt101_32X8D_Weights.IMAGENET1K_V2:

這些權重通過使用 TorchVision 的新訓練方法，改進了原始論文的結果。 也可作為 ResNeXt101_32X8D_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	82.834
acc@5 (在 ImageNet-1K 上)	96.228
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	88791336
recipe	link
GFLOPS	16.41
檔案大小	339.7 MB

推論轉換可在 ResNeXt101_32X8D_Weights.IMAGENET1K_V2.transforms 中找到，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 調整大小為 resize_size=[232]，然後進行中心裁剪，裁剪大小為 crop_size=[224]。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] 進行標準化。