regnet_y_128gf

torchvision.models.regnet_y_128gf(*, weights: Optional[RegNet_Y_128GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

從 Designing Network Design Spaces 建構 RegNetY_128GF 架構。

參數:

• weights (RegNet_Y_128GF_Weights, optional) – 要使用的預訓練權重。請參閱下方的 RegNet_Y_128GF_Weights 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, optional) – 若為 True，則將下載進度條顯示至 stderr。預設值為 True。

• **kwargs – 傳遞至 torchvision.models.regnet.RegNet 或 torchvision.models.regnet.BlockParams 類別的參數。請參閱 原始碼 以取得關於這些類別的更多詳細資訊。

class torchvision.models.RegNet_Y_128GF_Weights(value)

上方的模型建構器接受以下值作為 weights 參數。RegNet_Y_128GF_Weights.DEFAULT 等同於 RegNet_Y_128GF_Weights.IMAGENET1K_SWAG_E2E_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_SWAG_E2E_V1'。

RegNet_Y_128GF_Weights.IMAGENET1K_SWAG_E2E_V1:

這些權重透過遷移學習習得，方法是在 ImageNet-1K 資料上端對端微調原始 SWAG 權重。也以 RegNet_Y_128GF_Weights.DEFAULT 提供。

acc@1 (在 ImageNet-1K 上)	88.228
acc@5 (在 ImageNet-1K 上)	98.682
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
recipe	link
license	link
num_params	644812894
GFLOPS	374.57
檔案大小	2461.6 MB

推論轉換可在 RegNet_Y_128GF_Weights.IMAGENET1K_SWAG_E2E_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) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像會使用 interpolation=InterpolationMode.BICUBIC 調整大小為 resize_size=[384]，然後進行中心裁剪 crop_size=[384]。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。

RegNet_Y_128GF_Weights.IMAGENET1K_SWAG_LINEAR_V1:

這些權重由原始凍結的 SWAG 主幹權重和在其上訓練的 ImageNet-1K 資料線性分類器組成。

acc@1 (在 ImageNet-1K 上)	86.068
acc@5 (在 ImageNet-1K 上)	97.844
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
recipe	link
license	link
num_params	644812894
GFLOPS	127.52
檔案大小	2461.6 MB

推論轉換可在 RegNet_Y_128GF_Weights.IMAGENET1K_SWAG_LINEAR_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) 和單張 (C, H, W) 影像 torch.Tensor 物件。影像會使用 interpolation=InterpolationMode.BICUBIC 調整大小為 resize_size=[224]，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。