wide_resnet101_2

torchvision.models.wide_resnet101_2(*, weights: Optional[Wide_ResNet101_2_Weights] = None, progress: bool = True, **kwargs: Any) → ResNet

来自 Wide Residual Networks 的 Wide ResNet-101-2 模型。

该模型与 ResNet 相同，只是每个块中的瓶颈层通道数加倍。外部 1x1 卷积中的通道数相同，例如，ResNet-101 的最后一个块具有 2048-512-2048 通道，而 Wide ResNet-101-2 具有 2048-1024-2048 通道。

参数:

• weights (Wide_ResNet101_2_Weights, optional) – 要使用的预训练权重。有关更多详细信息和可能的值，请参阅下面的 Wide_ResNet101_2_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.resnet.ResNet 基类的参数。有关此类更多详细信息，请参阅 源代码。

class torchvision.models.Wide_ResNet101_2_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。 Wide_ResNet101_2_Weights.DEFAULT 等同于 Wide_ResNet101_2_Weights.IMAGENET1K_V2。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

Wide_ResNet101_2_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)	78.848
acc@5 (在 ImageNet-1K 上)	94.284
min_size	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量	126886696
方案	链接
GFLOPS	22.75
文件大小	242.9 MB

推理变换可在 Wide_ResNet101_2_Weights.IMAGENET1K_V1.transforms 处获得，并执行以下预处理操作：接受 PIL.Image、批量化 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像调整为 resize_size=[256]，然后进行中心裁剪 crop_size=[224]。最后，值首先缩放到 [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。

Wide_ResNet101_2_Weights.IMAGENET1K_V2:

这些权重通过使用 TorchVision 的 新训练配方 改进了原始论文的结果。也可作为 Wide_ResNet101_2_Weights.DEFAULT 使用。

acc@1 (在 ImageNet-1K 上)	82.51
acc@5 (在 ImageNet-1K 上)	96.02
min_size	height=1, width=1
类别	丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量	126886696
方案	链接
GFLOPS	22.75
文件大小	484.7 MB

推理变换可在 Wide_ResNet101_2_Weights.IMAGENET1K_V2.transforms 处获得，并执行以下预处理操作：接受 PIL.Image、批量化 (B, C, H, W) 和单个 (C, H, W) 图像 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将图像调整为 resize_size=[232]，然后进行中心裁剪 crop_size=[224]。最后，值首先缩放到 [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。