resnext50_32x4d

torchvision.models.resnext50_32x4d(*, weights: Optional[ResNeXt50_32X4D_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

來自深度神經網路的聚合殘差轉換的 ResNeXt-50 32x4d 模型。

參數:

• weights (ResNeXt50_32X4D_Weights, 選用) – 要使用的預訓練權重。請參閱下方 ResNext50_32X4D_Weights 以了解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, 選用) – 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.resnet.ResNet 基底類別的參數。關於此類別的更多詳細資訊，請參閱 原始程式碼。

class torchvision.models.ResNeXt50_32X4D_Weights(value)

上述模型建構器接受以下值作為 weights 參數。ResNeXt50_32X4D_Weights.DEFAULT 等同於 ResNeXt50_32X4D_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNeXt50_32X4D_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練配方，密切重現了論文的結果。

acc@1 (在 ImageNet-1K 上)	77.618
acc@5 (在 ImageNet-1K 上)	93.698
min_size	height=1, width=1
類別	鰣魚, 金魚, 大白鯊, … (省略 997 個)
num_params	25028904
配方	連結
GFLOPS	4.23
檔案大小	95.8 MB

推論轉換可在 ResNeXt50_32X4D_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。影像使用 interpolation=InterpolationMode.BILINEAR 調整大小至 resize_size=[256]，然後進行 crop_size=[224] 的中心裁剪。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。

ResNeXt50_32X4D_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。也以 ResNeXt50_32X4D_Weights.DEFAULT 提供。

acc@1 (在 ImageNet-1K 上)	81.198
acc@5 (在 ImageNet-1K 上)	95.34
min_size	height=1, width=1
類別	鰣魚, 金魚, 大白鯊, … (省略 997 個)
num_params	25028904
配方	連結
GFLOPS	4.23
檔案大小	95.8 MB

推論轉換可在 ResNeXt50_32X4D_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。影像使用 interpolation=InterpolationMode.BILINEAR 調整大小至 resize_size=[232]，然後進行 crop_size=[224] 的中心裁剪。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。