regnet_x_3_2gf

torchvision.models.regnet_x_3_2gf(*, weights: Optional[RegNet_X_3_2GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

從 Designing Network Design Spaces 建構 RegNetX_3.2GF 架構。

參數:

• weights (RegNet_X_3_2GF_Weights, optional) – 要使用的預訓練權重。 有關更多詳細資訊和可能的值，請參閱下面的 RegNet_X_3_2GF_Weights。 預設情況下，不使用任何預訓練權重。

• progress (bool, optional) – 如果為 True，則將下載的進度列顯示到 stderr。 預設值為 True。

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

class torchvision.models.RegNet_X_3_2GF_Weights(value)

上面的模型建構器接受以下值作為 weights 參數。RegNet_X_3_2GF_Weights.DEFAULT 等同於 RegNet_X_3_2GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_3_2GF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方式，幾乎重現了論文的結果。

acc@1 (在 ImageNet-1K 上)	78.364
acc@5 (在 ImageNet-1K 上)	93.992
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	15296552
recipe	link
GFLOPS	3.18
File size	58.8 MB

推論轉換可在 RegNet_X_3_2GF_Weights.IMAGENET1K_V1.transforms 中找到，並執行以下預處理操作： 接受 PIL.Image、批次化的 (B, C, H, W) 和單個 (C, H, W) 圖片 torch.Tensor 物件。 影像會使用 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，這些值首先會重新縮放到 [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。

RegNet_X_3_2GF_Weights.IMAGENET1K_V2:

這些權重透過使用修改後的 TorchVision 新訓練方式，改進了原始論文的結果。 也可作為 RegNet_X_3_2GF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	81.196
acc@5 (在 ImageNet-1K 上)	95.43
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	15296552
recipe	link
GFLOPS	3.18
File size	58.8 MB

推論轉換可在 RegNet_X_3_2GF_Weights.IMAGENET1K_V2.transforms 中找到，並執行以下預處理操作： 接受 PIL.Image、批次化的 (B, C, H, W) 和單個 (C, H, W) 圖片 torch.Tensor 物件。 影像會使用 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，這些值首先會重新縮放到 [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。