regnet_x_1_6gf

torchvision.models.regnet_x_1_6gf(*, weights: Optional[RegNet_X_1_6GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

從Designing Network Design Spaces建構 RegNetX_1.6GF 架構。

參數:

• weights (RegNet_X_1_6GF_Weights, optional) – 要使用的預先訓練的權重。有關更多詳細資訊和可能的值，請參閱下面的 RegNet_X_1_6GF_Weights。預設情況下，不使用預先訓練的權重。

• progress (bool, optional) – 如果為 True，則在 stderr 上顯示下載的進度條。預設值為 True。

• **kwargs – 傳遞給 torchvision.models.regnet.RegNet 或 torchvision.models.regnet.BlockParams 類的參數。有關這些類的更多詳細資訊，請參閱原始碼。

class torchvision.models.RegNet_X_1_6GF_Weights(value)

上述的模型建構器接受以下數值作為 weights 參數。 RegNet_X_1_6GF_Weights.DEFAULT 等同於 RegNet_X_1_6GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_1_6GF_Weights.IMAGENET1K_V1:

這些權重透過簡單的訓練方法，能夠重現論文中的結果。

acc@1 (在 ImageNet-1K 上)	77.04
acc@5 (在 ImageNet-1K 上)	93.44
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	9190136
recipe	link
GFLOPS	1.60
檔案大小	35.3 MB

推論轉換可於 RegNet_X_1_6GF_Weights.IMAGENET1K_V1.transforms 取得，並執行以下預處理操作：接受 PIL.Image、批次化的 (B, C, H, W) 以及單張 (C, H, W) 圖片 torch.Tensor 物件。圖片會使用 interpolation=InterpolationMode.BILINEAR 調整大小至 resize_size=[256]，然後進行中心裁剪至 crop_size=[224]。最後，數值會先重新縮放至 [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。

RegNet_X_1_6GF_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的修改版本 新的訓練方法，改善了原始論文的結果。也可作為 RegNet_X_1_6GF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	79.668
acc@5 (在 ImageNet-1K 上)	94.922
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	9190136
recipe	link
GFLOPS	1.60
檔案大小	35.3 MB

推論轉換可於 RegNet_X_1_6GF_Weights.IMAGENET1K_V2.transforms 取得，並執行以下預處理操作：接受 PIL.Image、批次化的 (B, C, H, W) 以及單張 (C, H, W) 圖片 torch.Tensor 物件。圖片會使用 interpolation=InterpolationMode.BILINEAR 調整大小至 resize_size=[232]，然後進行中心裁剪至 crop_size=[224]。最後，數值會先重新縮放至 [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。