wide_resnet101_2

torchvision.models.wide_resnet101_2(*, weights: Optional[Wide_ResNet101_2_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

來自 Wide Residual Networks 的 Wide ResNet-101-2 模型。

該模型與 ResNet 相同，除了每個區塊中的瓶頸通道數量是兩倍大。外部 1x1 卷積中的通道數量相同，例如，ResNet-101 中的最後一個區塊具有 2048-512-2048 個通道，而 Wide ResNet-101-2 具有 2048-1024-2048 個通道。

參數:

• weights ( Wide_ResNet101_2_Weights, 可選) – 要使用的預訓練權重。請參閱下方的 Wide_ResNet101_2_Weights 以獲取更多詳細資訊和可能的值。預設情況下，不使用任何預訓練權重。

• 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 原始碼。

class torchvision.models.Wide_ResNet101_2_Weights(value)

上面的模型建構器接受以下值作為 weights 參數。 Wide_ResNet101_2_Weights.DEFAULT 等同於 Wide_ResNet101_2_Weights.IMAGENET1K_V2。 您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

Wide_ResNet101_2_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)	78.848
acc@5 (在 ImageNet-1K 上)	94.284
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	126886696
recipe	link
GFLOPS	22.75
檔案大小	242.9 MB

推論轉換可在 Wide_ResNet101_2_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) 和單一 (C, H, W) 圖片 torch.Tensor 物件。 圖片會使用 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，數值會先重新縮放到 [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。

Wide_ResNet101_2_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 Wide_ResNet101_2_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	82.51
acc@5 (在 ImageNet-1K 上)	96.02
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	126886696
recipe	link
GFLOPS	22.75
檔案大小	484.7 MB

推論轉換可在 Wide_ResNet101_2_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) 和單一 (C, H, W) 圖片 torch.Tensor 物件。 圖片會使用 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，數值會先重新縮放到 [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。