resnet18

torchvision.models.quantization.resnet18(*, weights: Optional[Union[ResNet18_QuantizedWeights, ResNet18_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableResNet

ResNet-18 模型，出自 Deep Residual Learning for Image Recognition

注意

请注意，quantize = True 将返回一个具有 8 位权重的量化模型。量化模型仅支持推理并在 CPU 上运行。目前不支持 GPU 推理。

参数:

• weights （ResNet18_QuantizedWeights 或 ResNet18_Weights，可选）– 模型的预训练权重。有关更多详细信息和可能的值，请参阅下面的 ResNet18_QuantizedWeights。默认情况下，不使用预训练权重。

• progress （bool, optional）– 如果为 True，则在 stderr 上显示下载进度条。默认为 True。

• quantize （bool, optional）– 如果为 True，则返回模型的量化版本。默认为 False。

• **kwargs – 传递给 torchvision.models.quantization.QuantizableResNet 基类的参数。有关此类更多详细信息，请参阅 源代码。

class torchvision.models.quantization.ResNet18_QuantizedWeights(value)

上面的模型构建器接受以下值作为 weights 参数。ResNet18_QuantizedWeights.DEFAULT 等同于 ResNet18_QuantizedWeights.IMAGENET1K_FBGEMM_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_FBGEMM_V1'。

ResNet18_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

这些权重是通过对下面列出的未量化权重进行训练后量化（eager 模式）而产生的。也可用作 ResNet18_QuantizedWeights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	69.494
acc@5 (在 ImageNet-1K 上)	88.882
min_size	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
backend	fbgemm
方案	链接
参数数量	11689512
unquantized	ResNet18_Weights.IMAGENET1K_V1
GIPS	1.81
文件大小	11.2 MB

推理变换可在 ResNet18_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms 处获得，并执行以下预处理操作：接受 PIL.Image、批量处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 InterpolationMode.BILINEAR 插值调整为 resize_size=[256]，然后进行中心裁剪 crop_size=[224]。最后，先将值缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。

class torchvision.models.ResNet18_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。ResNet18_Weights.DEFAULT 等同于 ResNet18_Weights.IMAGENET1K_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNet18_Weights.IMAGENET1K_V1:

这些权重通过简单的训练流程，与论文中的结果非常接近。也可用作 ResNet18_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	69.758
acc@5 (在 ImageNet-1K 上)	89.078
min_size	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量	11689512
方案	链接
GFLOPS	1.81
文件大小	44.7 MB

推理变换可在 ResNet18_Weights.IMAGENET1K_V1.transforms 处获得，并执行以下预处理操作：接受 PIL.Image、批量处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 InterpolationMode.BILINEAR 插值调整为 resize_size=[256]，然后进行中心裁剪 crop_size=[224]。最后，先将值缩放到 [0.0, 1.0]，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 进行归一化。