resnet101

torchvision.models.resnet101(*, weights: Optional[ResNet101_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

ResNet-101，源自於《Deep Residual Learning for Image Recognition》。

注意

TorchVision 的瓶頸層將下採樣的步幅置於第二個 3x3 卷積，而原始論文則將其置於第一個 1x1 卷積。此變體提高了準確性，被稱為 ResNet V1.5。

參數:

• weights (ResNet101_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 ResNet101_Weights。 預設情況下，不使用預訓練權重。

• progress (bool, optional) – 如果為 True，則會在 stderr 上顯示下載進度條。 預設值為 True。

• **kwargs – 傳遞給 torchvision.models.resnet.ResNet 基底類別的參數。 有關此類別的更多詳細資訊，請參閱原始碼。

class torchvision.models.ResNet101_Weights(value)

上面的模型建構器接受以下值作為 weights 參數。 ResNet101_Weights.DEFAULT 等同於 ResNet101_Weights.IMAGENET1K_V2。 您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNet101_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，密切重現了論文的結果。

acc@1 (在 ImageNet-1K 上)	77.374
acc@5 (在 ImageNet-1K 上)	93.546
min_size	height=1, width=1
類別	丁鯛、金魚、大白鯊, … (省略 997 項)
num_params	44549160
recipe	連結
GFLOPS	7.80
檔案大小	170.5 MB

推論轉換可在 ResNet101_Weights.IMAGENET1K_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.BILINEAR 調整大小為 resize_size=[256]，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。

ResNet101_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的新訓練方法，改進了原始論文的結果。 也可作為 ResNet101_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	81.886
acc@5 (在 ImageNet-1K 上)	95.78
min_size	height=1, width=1
類別	丁鯛、金魚、大白鯊, … (省略 997 項)
num_params	44549160
recipe	連結
GFLOPS	7.80
檔案大小	170.5 MB

推論轉換可在 ResNet101_Weights.IMAGENET1K_V2.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.BILINEAR 調整大小為 resize_size=[232]，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。