resnet50¶
- torchvision.models.resnet50(*, weights: Optional[ResNet50_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[原始碼]¶
ResNet-50 來自 用於圖像識別的深度殘差學習。
注意
TorchVision 的瓶頸將用於降採樣的步幅放置在第二個 3x3 卷積中，而原始論文則將其放置在第一個 1x1 卷積中。 這種變體提高了準確性，被稱為 ResNet V1.5。
- 參數:
weights (
ResNet50_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ResNet50_Weights。 預設情況下，不使用預訓練權重。progress (bool, optional) – 如果為 True，則在 stderr 上顯示下載的進度條。 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 原始程式碼。
- class torchvision.models.ResNet50_Weights(value)[原始碼]¶
上面的模型建構器接受以下值作為
weights參數。ResNet50_Weights.DEFAULT等效於ResNet50_Weights.IMAGENET1K_V2。 您也可以使用字串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。ResNet50_Weights.IMAGENET1K_V1:
這些權重使用簡單的訓練方法，忠實地重現了論文的結果。
acc@1 (在 ImageNet-1K 上)
76.13
acc@5 (在 ImageNet-1K 上)
92.862
min_size (最小尺寸)
height=1, width=1 (高=1，寬=1)
categories (類別)
tench, goldfish, great white shark, … (省略 997 個) （丁鱖, 金魚, 大白鯊, ... (省略997個)）
num_params (參數數量)
25557032
recipe (配方)
GFLOPS
4.09
File size (檔案大小)
97.8 MB
推論轉換可在
ResNet50_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)圖片torch.Tensor物件。圖片會使用interpolation=InterpolationMode.BILINEAR調整大小至resize_size=[256]，然後進行中心裁剪crop_size=[224]。最後，這些值會先重新縮放至[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。ResNet50_Weights.IMAGENET1K_V2:
這些權重透過使用 TorchVision 的新訓練配方，改進了原始論文的結果。也可作為
ResNet50_Weights.DEFAULT使用。acc@1 (在 ImageNet-1K 上)
80.858
acc@5 (在 ImageNet-1K 上)
95.434
min_size (最小尺寸)
height=1, width=1 (高=1，寬=1)
categories (類別)
tench, goldfish, great white shark, … (省略 997 個) （丁鱖, 金魚, 大白鯊, ... (省略997個)）
num_params (參數數量)
25557032
recipe (配方)
GFLOPS
4.09
File size (檔案大小)
97.8 MB
推論轉換可在
ResNet50_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)圖片torch.Tensor物件。圖片會使用interpolation=InterpolationMode.BILINEAR調整大小至resize_size=[232]，然後進行中心裁剪crop_size=[224]。最後，這些值會先重新縮放至[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。
