regnet_y_32gf

torchvision.models.regnet_y_32gf(*, weights: Optional[RegNet_Y_32GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

從 Designing Network Design Spaces 構建 RegNetY_32GF 架構。

參數:

• weights (RegNet_Y_32GF_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_Y_32GF_Weights。預設情況下，不使用預訓練權重。

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

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

class torchvision.models.RegNet_Y_32GF_Weights(value)

上方的模型建構器接受下列值作為 weights 參數。RegNet_Y_32GF_Weights.DEFAULT 等同於 RegNet_Y_32GF_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_Y_32GF_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，可以非常接近地重現論文的結果。

acc@1（在 ImageNet-1K 上）	80.878
acc@5（在 ImageNet-1K 上）	95.34
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (997 已省略)
num_params	145046770
recipe	link
GFLOPS	32.28
File size	554.1 MB

推論轉換可在 RegNet_Y_32GF_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) 圖片 torch.Tensor 物件。圖像使用 interpolation=InterpolationMode.BILINEAR 調整大小為 resize_size=[256]，然後進行 crop_size=[224] 的中心裁剪。最後，這些值首先重新縮放至 [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_Y_32GF_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 修改後的 新訓練方法，改進了原始論文的結果。也可用作 RegNet_Y_32GF_Weights.DEFAULT。

acc@1（在 ImageNet-1K 上）	83.368
acc@5（在 ImageNet-1K 上）	96.498
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (997 已省略)
num_params	145046770
recipe	link
GFLOPS	32.28
File size	554.1 MB

推論轉換可在 RegNet_Y_32GF_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) 圖片 torch.Tensor 物件。圖像使用 interpolation=InterpolationMode.BILINEAR 調整大小為 resize_size=[232]，然後進行 crop_size=[224] 的中心裁剪。最後，這些值首先重新縮放至 [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_Y_32GF_Weights.IMAGENET1K_SWAG_E2E_V1:

這些權重是透過轉移學習，對 ImageNet-1K 資料進行端對端微調原始 SWAG 權重而學習的。

acc@1（在 ImageNet-1K 上）	86.838
acc@5（在 ImageNet-1K 上）	98.362
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (997 已省略)
recipe	link
license	link
num_params	145046770
GFLOPS	94.83
File size	554.1 MB

推論轉換可在 RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_E2E_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) 圖片 torch.Tensor 物件。圖像使用 interpolation=InterpolationMode.BICUBIC 調整大小為 resize_size=[384]，然後進行 crop_size=[384] 的中心裁剪。最後，這些值首先重新縮放至 [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_Y_32GF_Weights.IMAGENET1K_SWAG_LINEAR_V1:

這些權重由原始凍結的 SWAG 主幹權重和在其之上學習的線性分類器組成，該分類器基於在 ImageNet-1K 資料上訓練。

acc@1（在 ImageNet-1K 上）	84.622
acc@5（在 ImageNet-1K 上）	97.48
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (997 已省略)
recipe	link
license	link
num_params	145046770
GFLOPS	32.28
File size	554.1 MB

推論轉換可在 RegNet_Y_32GF_Weights.IMAGENET1K_SWAG_LINEAR_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) 圖片 torch.Tensor 物件。圖像使用 interpolation=InterpolationMode.BICUBIC 調整大小為 resize_size=[224]，然後進行 crop_size=[224] 的中心裁剪。最後，這些值首先重新縮放至 [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。