resnet50

torchvision.models.quantization.resnet50(*, weights: Optional[Union[ResNet50_QuantizedWeights, ResNet50_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableResNet

来自 Deep Residual Learning for Image Recognition 的 ResNet-50 模型

注意

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

参数:

• weights (ResNet50_QuantizedWeights 或 ResNet50_Weights，可选) – 模型的预训练权重。有关更多详细信息和可能的值，请参阅下方的 ResNet50_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.ResNet50_QuantizedWeights(value)

上面的模型构建器接受以下值作为 weights 参数。ResNet50_QuantizedWeights.DEFAULT 等同于 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_FBGEMM_V1'。

ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

这些权重是通过对下面列出的未量化权重进行后期训练量化（eager 模式）生成的。

acc@1 (在 ImageNet-1K 上)	75.92
acc@5 (在 ImageNet-1K 上)	92.814
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	25557032
unquantized	ResNet50_Weights.IMAGENET1K_V1
GIPS	4.09
文件大小	24.8 MB

推理变换可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms 处获得，并执行以下预处理操作：接受 PIL.Image、批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像将使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[256]，然后进行中心裁剪 crop_size=[224]。最后，首先将值重新缩放到 [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。

ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2:

这些权重是通过对下面列出的未量化权重进行后期训练量化（eager 模式）生成的。也可用作 ResNet50_QuantizedWeights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	80.282
acc@5 (在 ImageNet-1K 上)	94.976
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	25557032
unquantized	ResNet50_Weights.IMAGENET1K_V2
GIPS	4.09
文件大小	25.0 MB

推理变换可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2.transforms 处获得，并执行以下预处理操作：接受 PIL.Image、批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像将使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[232]，然后进行中心裁剪 crop_size=[224]。最后，首先将值重新缩放到 [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.ResNet50_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。ResNet50_Weights.DEFAULT 等同于 ResNet50_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNet50_Weights.IMAGENET1K_V1:

这些权重通过简单的训练配方，非常接近论文的结果。

acc@1 (在 ImageNet-1K 上)	76.13
acc@5 (在 ImageNet-1K 上)	92.862
min_size	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量	25557032
方案	链接
GFLOPS	4.09
文件大小	97.8 MB

推理变换可在 ResNet50_Weights.IMAGENET1K_V1.transforms 处获得，并执行以下预处理操作：接受 PIL.Image、批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像将使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[256]，然后进行中心裁剪 crop_size=[224]。最后，首先将值重新缩放到 [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。

ResNet50_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的 最新训练配方 改进了原始论文的结果。也可用作 ResNet50_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	80.858
acc@5 (在 ImageNet-1K 上)	95.434
min_size	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量	25557032
方案	链接
GFLOPS	4.09
文件大小	97.8 MB

推理变换可在 ResNet50_Weights.IMAGENET1K_V2.transforms 处获得，并执行以下预处理操作：接受 PIL.Image、批处理的 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像将使用 interpolation=InterpolationMode.BILINEAR 调整大小为 resize_size=[232]，然后进行中心裁剪 crop_size=[224]。最后，首先将值重新缩放到 [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。