resnet50

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

ResNet-50 模型，源自 Deep Residual Learning for Image Recognition

注意

請注意，quantize = True 將返回一個 8 位量化的模型。量化模型僅支援推理並在 CPU 上執行。GPU 推理暫不支援。

引數:

• weights (ResNet50_QuantizedWeights 或 ResNet50_Weights, optional) – 模型的預訓練權重。有關更多詳細資訊和可能的值，請參閱下面的 ResNet50_QuantizedWeights。預設情況下，不使用預訓練權重。

• progress (bool, optional) – 如果為 True，則在 stderr 上顯示下載進度條。預設為 True。

• quantize (bool, optional) – 如果為 True，則返回模型的量化版本。預設為 False。

• **kwargs – 傳遞給 torchvision.models.quantization.QuantizableResNet 基類的引數。有關此類函式的更多詳細資訊，請參閱 原始碼。

class torchvision.models.quantization.ResNet50_QuantizedWeights(value)

上面的模型構建器接受以下值作為 weights 引數。 ResNet50_QuantizedWeights.DEFAULT 等同於 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_FBGEMM_V1'。

ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

這些權重是透過在下面的未量化權重之上執行訓練後量化（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
類別	丁鯡、金魚、大白鯊、... (省略 997 個)
backend	fbgemm
方案	連結
引數數量	25557032
unquantized	ResNet50_Weights.IMAGENET1K_V1
GIPS	4.09
檔案大小	24.8 MB

推理變換可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms 處獲得，並執行以下預處理操作：接受 PIL.Image、批次處理的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像將使用 interpolation=InterpolationMode.BILINEAR 縮放到 resize_size=[256]，然後進行中心裁剪 crop_size=[224]。最後，值將首先縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。

ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2:

這些權重是透過在下面的未量化權重之上執行訓練後量化（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
類別	丁鯡、金魚、大白鯊、... (省略 997 個)
backend	fbgemm
方案	連結
引數數量	25557032
unquantized	ResNet50_Weights.IMAGENET1K_V2
GIPS	4.09
檔案大小	25.0 MB

推理變換可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2.transforms 處獲得，並執行以下預處理操作：接受 PIL.Image、批次處理的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像將使用 interpolation=InterpolationMode.BILINEAR 縮放到 resize_size=[232]，然後進行中心裁剪 crop_size=[224]。最後，值將首先縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。

class torchvision.models.ResNet50_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。 ResNet50_Weights.DEFAULT 等同於 ResNet50_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNet50_Weights.IMAGENET1K_V1:

這些權重透過簡單的訓練配方，非常接近論文的結果。

acc@1 (在 ImageNet-1K 上)	76.13
acc@5 (在 ImageNet-1K 上)	92.862
min_size	height=1, width=1
類別	丁鯡、金魚、大白鯊、... (省略 997 個)
引數數量	25557032
方案	連結
GFLOPS	4.09
檔案大小	97.8 MB

推理變換可在 ResNet50_Weights.IMAGENET1K_V1.transforms 處獲得，並執行以下預處理操作：接受 PIL.Image、批次處理的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像將使用 interpolation=InterpolationMode.BILINEAR 縮放到 resize_size=[256]，然後進行中心裁剪 crop_size=[224]。最後，值將首先縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。

ResNet50_Weights.IMAGENET1K_V2:

這些權重透過使用 TorchVision 的 新訓練配方，改進了原始論文的結果。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
類別	丁鯡、金魚、大白鯊、... (省略 997 個)
引數數量	25557032
方案	連結
GFLOPS	4.09
檔案大小	97.8 MB

推理變換可在 ResNet50_Weights.IMAGENET1K_V2.transforms 處獲得，並執行以下預處理操作：接受 PIL.Image、批次處理的 (B, C, H, W) 和單個 (C, H, W) 影像 torch.Tensor 物件。影像將使用 interpolation=InterpolationMode.BILINEAR 縮放到 resize_size=[232]，然後進行中心裁剪 crop_size=[224]。最後，值將首先縮放到 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。