resnet101¶
- torchvision.models.resnet101(*, weights: Optional[ResNet101_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[source]¶
来自 Deep Residual Learning for Image Recognition 的 ResNet-101。
注意
TorchVision 的瓶颈将下采样步幅放在第二个 3x3 卷积上，而原始论文将其放在第一个 1x1 卷积上。这个变体提高了准确性，并被称为 ResNet V1.5。
- 参数:
weights (
ResNet101_Weights, 可选) – 要使用的预训练权重。详见下文的ResNet101_Weights以了解更多详情及可选值。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.resnet.ResNet基类的参数。有关此类参数的更多详细信息，请参阅 源代码。
- class torchvision.models.ResNet101_Weights(value)[source]¶
上述模型构建器在
weights参数中接受以下值。ResNet101_Weights.DEFAULT等同于ResNet101_Weights.IMAGENET1K_V2。您也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。ResNet101_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)
77.374
acc@5 (在 ImageNet-1K 上)
93.546
min_size
height=1, width=1
类别
丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量
44549160
方案
GFLOPS
7.80
文件大小
170.5 MB
推理变换可通过
ResNet101_Weights.IMAGENET1K_V1.transforms获取，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。图像使用interpolation=InterpolationMode.BILINEAR缩放到resize_size=[256]，随后进行crop_size=[224]的中心裁剪。最后，数值首先被重新缩放到[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。ResNet101_Weights.IMAGENET1K_V2:
这些权重通过使用 TorchVision 的 新训练方案 (new training recipe) 改善了原论文的结果。也可通过
ResNet101_Weights.DEFAULT获取。acc@1 (在 ImageNet-1K 上)
81.886
acc@5 (在 ImageNet-1K 上)
95.78
min_size
height=1, width=1
类别
丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量
44549160
方案
GFLOPS
7.80
文件大小
170.5 MB
推理变换可通过
ResNet101_Weights.IMAGENET1K_V2.transforms获取，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。图像使用interpolation=InterpolationMode.BILINEAR缩放到resize_size=[232]，随后进行crop_size=[224]的中心裁剪。最后，数值首先被重新缩放到[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。
