regnet_x_1_6gf

torchvision.models.regnet_x_1_6gf(*, weights: Optional[RegNet_X_1_6GF_Weights] = None, progress: bool = True, **kwargs: Any) → RegNet

构造一个 RegNetX_1.6GF 架构，源自 Designing Network Design Spaces。

参数:

• weights (RegNet_X_1_6GF_Weights, optional) – 要使用的预训练权重。有关更多详细信息和可能的值，请参见下面的 RegNet_X_1_6GF_Weights。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。

• **kwargs – 传递给 torchvision.models.regnet.RegNet 或 torchvision.models.regnet.BlockParams 类的参数。有关类的详细信息，请参阅 源代码。

class torchvision.models.RegNet_X_1_6GF_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。 RegNet_X_1_6GF_Weights.DEFAULT 等同于 RegNet_X_1_6GF_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

RegNet_X_1_6GF_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)	77.04
acc@5 (在 ImageNet-1K 上)	93.44
最小尺寸	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量	9190136
方案	链接
GFLOPS	1.60
文件大小	35.3 MB

推理转换可在 RegNet_X_1_6GF_Weights.IMAGENET1K_V1.transforms 处获得，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整为 resize_size=[256]，然后进行中心裁剪 crop_size=[224]。最后，值首先被缩放到 [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。

RegNet_X_1_6GF_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的 新训练配方 的修改版本，改进了原始论文的结果。也可通过 RegNet_X_1_6GF_Weights.DEFAULT 获得。

acc@1 (在 ImageNet-1K 上)	79.668
acc@5 (在 ImageNet-1K 上)	94.922
最小尺寸	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量	9190136
方案	链接
GFLOPS	1.60
文件大小	35.3 MB

推理转换可在 RegNet_X_1_6GF_Weights.IMAGENET1K_V2.transforms 处获得，并执行以下预处理操作：接受 PIL.Image、批量 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。图像使用 interpolation=InterpolationMode.BILINEAR 调整为 resize_size=[232]，然后进行中心裁剪 crop_size=[224]。最后，值首先被缩放到 [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。