regnet_x_400mf

torchvision.models.regnet_x_400mf(*, weights: Optional[RegNet_X_400MF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

從 Designing Network Design Spaces 建構 RegNetX_400MF 架構。

參數:

• weights (RegNet_X_400MF_Weights, optional) – 要使用的預訓練權重。 有關更多詳細資訊和可能的值，請參閱下方的 RegNet_X_400MF_Weights。 預設情況下，不使用任何預訓練權重。

• progress (bool, optional) – 如果為 True，則會將下載進度條顯示到 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_400MF_Weights(value)

上面的模型建構器接受以下值作為 weights 參數。 RegNet_X_400MF_Weights.DEFAULT 等同於 RegNet_X_400MF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_400MF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，幾乎可以重現論文的結果。

acc@1 (在 ImageNet-1K 上)	72.834
acc@5 (在 ImageNet-1K 上)	90.95
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	5495976
recipe	link
GFLOPS	0.41
File size	21.3 MB

推論轉換可在 RegNet_X_400MF_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) 和單張的 (C, H, W) 圖像 torch.Tensor 物件。 圖像的大小調整為 resize_size=[256]，使用 interpolation=InterpolationMode.BILINEAR，然後進行 crop_size=[224] 的中心裁剪。 最後，這些值首先重新縮放到 [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。

RegNet_X_400MF_Weights.IMAGENET1K_V2:

這些權重通過使用 TorchVision 修改後的 新訓練方法，改進了原始論文的結果。 也可作為 RegNet_X_400MF_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	74.864
acc@5 (在 ImageNet-1K 上)	92.322
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	5495976
recipe	link
GFLOPS	0.41
File size	21.3 MB

推論轉換可在 RegNet_X_400MF_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) 和單張的 (C, H, W) 圖像 torch.Tensor 物件。 圖像的大小調整為 resize_size=[232]，使用 interpolation=InterpolationMode.BILINEAR，然後進行 crop_size=[224] 的中心裁剪。 最後，這些值首先重新縮放到 [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。