wide_resnet50_2¶
- torchvision.models.wide_resnet50_2(*, weights: Optional[Wide_ResNet50_2_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[source]¶
来自 Wide Residual Networks 的 Wide ResNet-50-2 模型。
该模型与 ResNet 相同，只是在每个块中瓶颈层通道数加倍。外层 1x1 卷积的通道数保持不变，例如 ResNet-50 的最后一个块有 2048-512-2048 通道，而 Wide ResNet-50-2 则有 2048-1024-2048。
- 参数:
weights (
Wide_ResNet50_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_ResNet50_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_ResNet50_2_Weights(value)[source]¶
上面的模型构建器接受以下值作为
weights参数。Wide_ResNet50_2_Weights.DEFAULT等同于Wide_ResNet50_2_Weights.IMAGENET1K_V2。您也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。Wide_ResNet50_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)
78.468
acc@5 (在 ImageNet-1K 上)
94.086
min_size
height=1, width=1
类别
丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量
68883240
方案
GFLOPS
11.40
文件大小
131.8 MB
推理变换可在
Wide_ResNet50_2_Weights.IMAGENET1K_V1.transforms处找到，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。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，首先将值缩放到[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。Wide_ResNet50_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。也可用作
Wide_ResNet50_2_Weights.DEFAULT。acc@1 (在 ImageNet-1K 上)
81.602
acc@5 (在 ImageNet-1K 上)
95.758
min_size
height=1, width=1
类别
丁鲱、金鱼、大白鲨、... (省略 997 个)
参数数量
68883240
方案
GFLOPS
11.40
文件大小
263.1 MB
推理变换可在
Wide_ResNet50_2_Weights.IMAGENET1K_V2.transforms处找到，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。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，首先将值缩放到[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。
