wide_resnet50_2

torchvision.models.wide_resnet50_2(*, weights: Optional[Wide_ResNet50_2_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

來自 Wide Residual Networks 的 Wide ResNet-50-2 模型。

此模型與 ResNet 相同，不同之處在於每個區塊的 bottleneck 通道數量是兩倍大。外部 1x1 卷積的通道數量相同，例如，ResNet-50 中的最後一個區塊具有 2048-512-2048 個通道，而 Wide ResNet-50-2 則具有 2048-1024-2048 個通道。

參數:

• weights (Wide_ResNet50_2_Weights, optional) – 要使用的預訓練權重。 有關更多詳細訊息和可能的值，請參閱下方的 Wide_ResNet50_2_Weights。 預設情況下，不使用預訓練權重。

• progress (bool, optional) – 如果為 True，則將下載進度條顯示到 stderr。 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訊息，請參閱 原始碼。

class torchvision.models.Wide_ResNet50_2_Weights(value)

上述的模型建構器接受下列數值作為 weights 參數。Wide_ResNet50_2_Weights.DEFAULT 等同於 Wide_ResNet50_2_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

Wide_ResNet50_2_Weights.IMAGENET1K_V1:

這些權重使用簡單的訓練方法，能夠重現論文中的結果。

acc@1 (在 ImageNet-1K 上)	78.468
acc@5 (在 ImageNet-1K 上)	94.086
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	68883240
recipe	link
GFLOPS	11.40
File size	131.8 MB

推論轉換可在 Wide_ResNet50_2_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) 和單個 (C, H, W) 圖像 torch.Tensor 物件。圖像會使用 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，這些值會先重新縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行標準化。

Wide_ResNet50_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。也以 Wide_ResNet50_2_Weights.DEFAULT 提供。

acc@1 (在 ImageNet-1K 上)	81.602
acc@5 (在 ImageNet-1K 上)	95.758
min_size	height=1, width=1
categories	tench, goldfish, great white shark, … (省略 997 個)
num_params	68883240
recipe	link
GFLOPS	11.40
File size	263.1 MB

推論轉換可在 Wide_ResNet50_2_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) 和單個 (C, H, W) 圖像 torch.Tensor 物件。圖像會使用 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，這些值會先重新縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行標準化。