resnet152

torchvision.models.resnet152(*, weights: Optional[ResNet152_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

來自 用於影像辨識的深度殘差學習 的 ResNet-152。

注意

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

參數:

• weights (ResNet152_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 ResNet152_Weights。 預設情況下，不使用任何預先訓練的權重。

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

• **kwargs – 傳遞到 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.ResNet152_Weights(value)

上述模型建構器接受下列值作為 weights 參數。ResNet152_Weights.DEFAULT 等同於 ResNet152_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNet152_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，能緊密重現論文的結果。

acc@1 (在 ImageNet-1K 上)	78.312
acc@5 (在 ImageNet-1K 上)	94.046
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	60192808
recipe	link
GFLOPS	11.51
File size	230.4 MB

推論轉換可在 ResNet152_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) 和單個 (C, H, W) 圖像 torch.Tensor 物件。 圖像大小調整為 resize_size=[256]，使用 interpolation=InterpolationMode.BILINEAR，然後進行中心裁剪 crop_size=[224]。 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。

ResNet152_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的新的訓練方法，改進了原始論文的結果。 也可作為 ResNet152_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	82.284
acc@5 (在 ImageNet-1K 上)	96.002
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	60192808
recipe	link
GFLOPS	11.51
File size	230.5 MB

推論轉換可在 ResNet152_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) 和單個 (C, H, W) 圖像 torch.Tensor 物件。 圖像大小調整為 resize_size=[232]，使用 interpolation=InterpolationMode.BILINEAR，然後進行中心裁剪 crop_size=[224]。 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。