resnext101_32x8d

torchvision.models.quantization.resnext101_32x8d(*, weights: Optional[Union[ResNeXt101_32X8D_QuantizedWeights, ResNeXt101_32X8D_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableResNet

ResNeXt-101 32x8d 模型，來自 Aggregated Residual Transformation for Deep Neural Networks

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 (ResNeXt101_32X8D_QuantizedWeights 或 ResNeXt101_32X8D_Weights, 可選) – 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 ResNet101_32X8D_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.ResNeXt101_32X8D_QuantizedWeights(value)

上面的模型構建器接受以下值作為 weights 引數。 ResNeXt101_32X8D_QuantizedWeights.DEFAULT 等同於 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_FBGEMM_V1'。

ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

這些權重是透過對下面的未量化權重執行訓練後量化（eager 模式）生成的。

acc@1 (在 ImageNet-1K 上)	78.986
acc@5 (在 ImageNet-1K 上)	94.48
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	88791336
unquantized	ResNeXt101_32X8D_Weights.IMAGENET1K_V1
GIPS	16.41
檔案大小	86.0 MB

推理轉換可在 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms 找到，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。影像使用 interpolation=InterpolationMode.BILINEAR 調整大小到 resize_size=[256]，然後進行中心裁剪 crop_size=[224]。最後，值首先縮放到 [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。

ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2:

這些權重是透過對下面的未量化權重執行訓練後量化（eager 模式）生成的。也可用作 ResNeXt101_32X8D_QuantizedWeights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	82.574
acc@5 (在 ImageNet-1K 上)	96.132
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	88791336
unquantized	ResNeXt101_32X8D_Weights.IMAGENET1K_V2
GIPS	16.41
檔案大小	86.6 MB

推理轉換可在 ResNeXt101_32X8D_QuantizedWeights.IMAGENET1K_FBGEMM_V2.transforms 找到，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。影像使用 interpolation=InterpolationMode.BILINEAR 調整大小到 resize_size=[232]，然後進行中心裁剪 crop_size=[224]。最後，值首先縮放到 [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.ResNeXt101_32X8D_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。 ResNeXt101_32X8D_Weights.DEFAULT 等同於 ResNeXt101_32X8D_Weights.IMAGENET1K_V2。您也可以使用字串，例如 weights='DEFAULT' 或 weights='IMAGENET1K_V1'。

ResNeXt101_32X8D_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)	79.312
acc@5 (在 ImageNet-1K 上)	94.526
min_size	height=1, width=1
類別	丁鯡、金魚、大白鯊、... (省略 997 個)
引數數量	88791336
方案	連結
GFLOPS	16.41
檔案大小	339.6 MB

推理轉換可在 ResNeXt101_32X8D_Weights.IMAGENET1K_V1.transforms 找到，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。影像使用 interpolation=InterpolationMode.BILINEAR 調整大小到 resize_size=[256]，然後進行中心裁剪 crop_size=[224]。最後，值首先縮放到 [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。

ResNeXt101_32X8D_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 ResNeXt101_32X8D_Weights.DEFAULT。

acc@1 (在 ImageNet-1K 上)	82.834
acc@5 (在 ImageNet-1K 上)	96.228
min_size	height=1, width=1
類別	丁鯡、金魚、大白鯊、... (省略 997 個)
引數數量	88791336
方案	連結
GFLOPS	16.41
檔案大小	339.7 MB

推理轉換可在 ResNeXt101_32X8D_Weights.IMAGENET1K_V2.transforms 找到，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。影像使用 interpolation=InterpolationMode.BILINEAR 調整大小到 resize_size=[232]，然後進行中心裁剪 crop_size=[224]。最後，值首先縮放到 [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。